Un team di ricerca dell’University of Toronto ha presentato AIDED, un sistema basato su machine learning progettato per semplificare e velocizzare la definizione dei parametri di stampa nella tecnologia Laser Directed Energy Deposition (L-DED). Ideato da Shang, Goodridge e colleghi, AIDED combina due modelli predittivi con un algoritmo genetico per individuare i settaggi ideali in funzione degli obiettivi di prestazione desiderati, quali velocità di deposizione e geometria accurata del melt pool.
Predizione e Ottimizzazione Inversa dei Parametri
L’architettura di AIDED si fonda su due reti neurali addestrate: la prima stima l’area del melt pool in single-track, la seconda valuta l’angolo di inclinazione nelle deposizioni multi-track. Con coefficienti di determinazione rispettivamente pari a 0,995 e 0,969, il sistema replica con alta fedeltà i risultati sperimentali. Un’ulteriore fase di ottimizzazione genetica ruota questi modelli in senso inverso, consentendo all’utente di specificare target dimensionali e qualitativi, ottenendo in 1–3 ore il set di parametri più indicato, in luogo delle tradizionali procedure di trial-and-error che richiedono giornate di test e regolazioni.
Validazione su Componenti Multistrato
Per verificare l’affidabilità di AIDED, i ricercatori hanno stampato cubi di prova in acciaio 316L: la larghezza risulta entro l’1,75% rispetto al progetto, mentre l’altezza presenta uno scarto del 12% a causa dell’accumulo termico tra gli strati. Nonostante ciò, la densità misurata supera il 99,9% in tutti i casi, a conferma di porosità trascurabile e buona resistenza meccanica, requisiti fondamentali per pezzi strutturali.
Transfer Learning tra Materiali Diversi
Un aspetto distintivo di AIDED riguarda la capacità di riutilizzare i modelli su materiali differenti con pochi dati aggiuntivi. Partendo da un training su 316L, il team ha trasferito l’apprendimento al nichel puro con appena 56 campioni, riducendo di circa 7,4 volte il numero di dati necessari. Questa efficienza apre la strada a un’adozione rapida in contesti produttivi con esigenze di versatilità e tempi stretti.
Collocazione nel Panorama delle Soluzioni AI per l’AM
L’integrazione di intelligenza artificiale nella manifattura additiva si amplia con esempi come AMAIZE 2.0 di 1000 Kelvin, che abbina un Printability Checker a un modulo per ottimizzare le strategie di exposure, oppure il Manufacturing Execution System AMES di Authentise, potenziato dai dati in tempo reale di Elements. Nel comparto delle polveri, Senvol propone un modello ML per prevedere i material allowables, riducendo i costi dei test di qualifica. Queste piattaforme puntano tutte a ridurre cicli di iterazione e sprechi di materiale, in linea con l’approccio di AIDED.
Sviluppi e Applicazioni Future
Gli autori segnalano la necessità di estendere il framework a geometrie complesse e a nuove leghe, come titanio e alluminio, e di integrare reti neurali convoluzionali e simulazioni fisiche per affinare ulteriormente le previsioni. In ambito aerospaziale, biomedicale ed energetico, la possibilità di ottenere settaggi ottimali in poche ore rappresenta un vantaggio competitivo, riducendo tempi di messa a punto e costi di sperimentazione.
