Dalla geometria al controllo di processo, perché la stampa 3d metal fatica a diventare produzione “di serie”

Perché il “metal AM industriale” non è ancora una fabbrica autonoma
La manifattura additiva metallica viene spesso raccontata come un passaggio diretto dalla libertà geometrica alla produzione. In pratica, tra prototipo e produzione continuativa si inseriscono nodi complessi: stabilità del processo, ripetibilità lotto-su-lotto, tracciabilità dei parametri, gestione delle polveri o del feedstock, e soprattutto la dimostrazione “robusta” della qualità in settori regolati (energia, aerospazio, difesa). In questo scenario si inserisce l’intervista ad Amin S. Azar, fondatore e CEO della norvegese 3D-Components AS, focalizzata su approcci data-driven e su controllo del processo per applicazioni robotizzate di Directed Energy Deposition (DED).

Chi è 3D-Components AS e cosa fa RobTrack
3D-Components AS descrive il proprio focus come sviluppo di strumenti software e di automazione per rendere più stabili e riproducibili processi robotizzati di deposizione (welding e additive). Il loro prodotto di riferimento, RobTrack, viene presentato come una piattaforma che usa dati di macchina e sensori per supportare la scelta dei parametri, la definizione di “process windows” e, in prospettiva, l’adattamento del processo durante la deposizione. L’idea di fondo è spostare parte del “know-how” oggi implicito (esperienza di operatori e tecnologi) verso una gestione più misurabile e tracciabile.

Dalla “qualificazione del pezzo” alla “qualificazione del processo”
Un passaggio chiave discusso da Azar è la transizione verso una logica process-centric: invece di dimostrare la qualità pezzo-per-pezzo solo tramite controlli finali (inclusi test distruttivi), l’obiettivo diventa dimostrare che un processo qualificato produce risultati coerenti e che ogni build possiede un insieme di evidenze digitali (dati, log, sensori) sufficiente a sostenere la conformità. In molti ambienti regolati, questo approccio è desiderabile perché potrebbe ridurre tempi e costi di ispezione, ma richiede dati affidabili, modelli robusti e criteri accettati per audit e certificazione.

AI e controllo in anello chiuso: cosa significa davvero “autonomia”
Nel metal AM, “AI” non significa solo riconoscere difetti dopo che sono comparsi. Azar descrive un’evoluzione verso modelli predittivi capaci di anticipare derive del processo e intervenire sui parametri (potenza, velocità, apporto materiale, traiettoria, strategia termica) per mantenere il processo entro un comportamento atteso. Questo è il concetto di closed-loop control: sensori → misura → decisione → correzione. In DED, dove il bagno fuso e la geometria del cordone sono molto sensibili a variazioni termiche, postura robot, alimentazione polvere/filo e condizioni superficiali, l’anello chiuso è uno dei candidati più concreti per ridurre scarti e variabilità.

Perché l’anello chiuso è difficile: latenza, qualità dei dataset, “black box” e auditabilità
Le barriere tecniche ricorrenti sono tre. (1) Latenza: per correggere il processo serve elaborare segnali ad alta frequenza con tempi compatibili con l’evoluzione del bagno fuso; questo spinge verso edge computing vicino alla cella (GPU/acceleratori, pipeline dati robuste). (2) Dati: modelli utili richiedono dataset puliti, etichettati, rappresentativi di molte condizioni operative e materiali. (3) Certificabilità: in settori regolati, una decisione automatica non spiegabile (“black box”) è difficile da giustificare in audit; cresce quindi l’interesse per explainable AI o per approcci ibridi (modelli fisici + AI) che mantengano una catena logica più trasparente.

DED come terreno di prova: perché 3D-Components si concentra su processi robotizzati
3D-Components dichiara di concentrarsi su AI e controllo per robot-based DED. Il motivo è pragmatico: la DED viene usata spesso per riparazioni, aggiunte di materiale, near-net-shape e produzione di componenti grandi o con geometrie che beneficiano della libertà di orientamento del robot. Ma proprio questa flessibilità introduce più variabili (cinematica, traiettorie, distanza ugello-substrato, accumulo termico locale), aumentando la necessità di sensori e strategie adattive.

Aspettative non realizzate: complessità “gratis” e stampa “push-button”
Un punto netto dell’intervista è la critica a due miti: che la complessità geometrica sia “senza costo” e che la produzione sia davvero “premi un tasto”. Anche quando il deposito/solidificazione funzionano, entrano in gioco preparazione, fissaggi, supporti (quando necessari), distorsioni, trattamenti termici, rimozione materiale, finitura e controlli. Il risultato è che la convenienza economica non dipende solo dal tempo macchina, ma dall’intera catena di processo.

Il nodo “materiali e microstruttura”: stessa parte, proprietà diverse
Azar sottolinea un problema strutturale della produzione additiva metallica: la microstruttura si sviluppa in condizioni termiche non di equilibrio, con cicli ripetuti e gradienti elevati; a parità di materiale nominale, la storia termica locale (spesso guidata dalla geometria e dalla strategia di deposizione) può produrre proprietà differenti all’interno dello stesso componente. Questo rende difficile collegare in modo diretto “parametri → microstruttura → proprietà”, soprattutto quando cambiano lega, macchina o traiettoria. Anche qui, l’idea è che modelli più ampi (fisici e/o AI) possano accelerare la definizione di process windows materials-specific e rendere più prevedibile l’output.

Digital twin e simulazione: validare prima di fondere materiale
Un’aspettativa realistica per i prossimi anni è l’uso crescente di simulazione e “digital twin” per prevedere difetti, distorsioni e finestre di processo prima del build, riducendo trial-and-error. In parallelo, la disponibilità di dati sperimentali e la standardizzazione delle modalità di misura possono rendere più “trasferibile” la conoscenza tra impianti.

Costo e cost-effectiveness: perché automazione e dati contano
Sul costo totale dell’AM incidono macchina, materiale, tempi, yield, post-processo, qualità e scarti. L’orientamento descritto da Azar — più sensori, più controllo, più tracciabilità — va letto anche così: ridurre variabilità e rilavorazioni significa rendere i costi più prevedibili, e quindi più “difendibili” in un contesto industriale.

Che cosa si può “portare a casa” (per ingegneri e decision maker)

1. La geometria è solo l’inizio: senza controllo di processo e post-processo pianificato, il vantaggio tecnico non diventa vantaggio industriale.

2. L’anello chiuso è una direzione concreta, ma richiede infrastruttura dati, sensori e capacità di calcolo vicina alla macchina.

3. Nei settori regolati, il tema non è solo “fare pezzi buoni”, ma dimostrare in modo auditabile perché sono buoni (tracciabilità, spiegabilità, criteri).

4. La qualifica del processo e i “passaporti digitali” sono una narrativa forte, ma dipendono da standard, dati affidabili e accettazione degli enti/committenti.