America Makes e il National Center for Defense Manufacturing and Machining hanno selezionato un team guidato da Dyndrite per il programma Artificial Intelligence for Material Allowables in Additive Manufacturing, indicato anche con la sigla AIM-4AM. Il progetto ha un valore di 2 milioni di dollari e affronta uno dei temi più complessi della produzione additiva metallica: la qualificazione dei materiali, dei processi e dei dati necessari per usare componenti stampati in 3D in applicazioni dove affidabilità, tracciabilità e ripetibilità non sono opzionali.
Il team sarà guidato da Dyndrite e includerà Mimo Technik Printed Metal e RTX Technology Research Center. Mimo Technik si occuperà delle costruzioni LPBF controllate e del coordinamento delle attività di test, mentre RTX avrà il ruolo di partner per la transizione tecnologica, con l’obiettivo di collegare il lavoro di ricerca a scenari applicativi concreti nei settori aerospaziale e difesa.
Il programma si concentrerà sull’acciaio inossidabile 17-4PH in condizione H1025, prodotto tramite Laser Powder Bed Fusion. Non si tratta quindi di un esperimento generico sull’intelligenza artificiale applicata alla stampa 3D, ma di un lavoro mirato su un materiale, un processo e un insieme di dati che dovranno sostenere un percorso di qualificazione più chiaro.
Che cosa sono gli “allowables” e perché contano
Nel mondo aerospaziale e nella difesa, un materiale non viene scelto solo perché una scheda tecnica riporta buone proprietà meccaniche. I progettisti hanno bisogno di valori di riferimento affidabili, costruiti su dati statistici, prove ripetute, controlli di processo e procedure accettate. Questi valori vengono spesso indicati come material allowables o design allowables.
In pratica, gli allowables servono a stabilire quali prestazioni meccaniche un progettista può assumere con un adeguato margine di confidenza. Non basta sapere che un singolo provino ha resistito bene a trazione. Bisogna capire come il materiale si comporta su più macchine, con lotti diversi di polvere, in condizioni di processo controllate, dopo trattamenti termici e con proprietà che possono variare a seconda della geometria, dell’orientamento di stampa e della posizione nel volume di costruzione.
Questo punto è ancora più delicato nella produzione additiva. Nella fusione laser a letto di polvere, la qualità finale dipende da molte variabili: parametri laser, strategia di scansione, distribuzione della polvere, atmosfera di processo, macchina utilizzata, orientamento del pezzo, post-processing e controlli successivi. La stessa lega può produrre risultati diversi se il processo non è ben controllato.
Per questo la qualificazione di un materiale AM richiede spesso molte prove fisiche. È un approccio solido, ma costoso e lento. Il progetto AIM-4AM nasce per capire se una parte di questo lavoro può essere guidata meglio dai dati, senza eliminare la validazione sperimentale.
Il ruolo dell’intelligenza artificiale
L’obiettivo di AIM-4AM non è sostituire le prove di laboratorio con un modello matematico. Il punto è diverso: usare machine learning, modellazione del processo e metodi statistici per capire quali test sono davvero necessari, quali dati hanno maggiore valore informativo e dove si concentra il rischio quando si riduce il numero di prove fisiche.
In un processo tradizionale, la risposta al dubbio è spesso: “facciamo più test”. Nel caso della stampa 3D metallica questo può diventare un ostacolo alla produzione, soprattutto quando si passa da prototipi e piccoli lotti a componenti destinati a programmi aerospaziali, difesa o applicazioni industriali critiche.
L’approccio AIM-4AM vuole associare eventuali riduzioni dei test a categorie di rischio definite. Non si tratta quindi di tagliare le prove per risparmiare tempo, ma di costruire un metodo in cui ogni riduzione sia collegata a una stima del rischio, a un livello di confidenza e a una validazione con dati reali.
Il machine learning potrà essere usato per analizzare le relazioni tra processo, microstruttura e proprietà meccaniche. Per esempio, un modello può aiutare a identificare se certi dati di trazione convergono rapidamente verso valori stabili, mentre i dati di fatica richiedono più prove perché mostrano una dispersione maggiore. In questo modo le risorse possono essere concentrate dove il dato è più incerto o più critico per l’impiego finale del materiale.
Perché Dyndrite
Dyndrite lavora sul software per la produzione additiva metallica, con particolare attenzione al controllo del processo LPBF, alla generazione dei percorsi utensile, all’automazione e allo sviluppo di parametri. La sua piattaforma LPBF Pro è pensata per dare agli ingegneri maggiore controllo su strategie di scansione, preparazione del job, geometrie complesse e flussi di lavoro ripetibili.
Nel contesto di AIM-4AM, questa esperienza è rilevante perché la qualificazione non dipende solo dalla prova meccanica finale. Dipende anche da come il processo viene descritto, controllato, replicato e documentato. Per generare dati utilizzabili bisogna sapere con precisione che cosa è stato prodotto, come è stato prodotto e quali condizioni hanno portato a un certo risultato.
Il fondatore e CEO di Dyndrite, Harshil Goel, ha sottolineato che la qualificazione in additive manufacturing ha richiesto a lungo prove fisiche estese perché le macchine e i processi sono stati spesso percepiti come “scatole nere”. L’idea del programma è ridurre questa incertezza con metodi assistiti dal machine learning, basati su controllo del processo, tracciabilità dei dati, confidenza statistica e validazione sperimentale.
Il contributo di Mimo Technik e RTX
Mimo Technik Printed Metal porterà nel progetto la parte produttiva legata alla stampa LPBF controllata. L’azienda lavora nella produzione additiva metallica per settori come aerospazio, missilistica, difesa e motorsport. Per AIM-4AM questo significa poter contare su competenze pratiche nella realizzazione di build controllate, nella gestione dei parametri e nella produzione di campioni destinati ai test.
Il contributo di Mimo Technik è importante perché i modelli AI hanno valore solo se i dati di partenza sono affidabili. Se i campioni sono prodotti senza un processo ben documentato, il modello rischia di imparare da dati confusi. Se invece ogni build è controllata e tracciabile, le relazioni tra parametri, macchina, lotto di polvere e proprietà meccaniche diventano più utili.
RTX Technology Research Center avrà il ruolo di partner per la transizione tecnologica. Questo aspetto serve a evitare che il progetto resti confinato alla sola dimostrazione di laboratorio. Nei programmi di difesa e aerospazio, una metodologia di qualificazione deve essere collegata a requisiti reali, applicazioni possibili e percorsi di adozione credibili.
La presenza di RTX permette quindi di portare nel progetto una visione più vicina alle esigenze degli utilizzatori finali, dove la qualificazione deve dialogare con progettazione, supply chain, certificazione e produzione.
Il materiale scelto: acciaio 17-4PH H1025
Il programma dimostrerà il framework sull’acciaio inossidabile 17-4PH in condizione H1025. È una scelta significativa perché il 17-4PH è una lega utilizzata in applicazioni dove servono buone proprietà meccaniche e resistenza alla corrosione. Nella produzione additiva metallica è anche un materiale utile per sviluppare metodologie di qualifica perché unisce interesse industriale e complessità di processo.
L’obiettivo non è solo ottenere una serie di campioni ben riusciti, ma generare dati preliminari di qualificazione per il 17-4PH H1025 prodotto in LPBF. Il programma prevede prove meccaniche e validazione dei modelli AI rispetto a dati sperimentali, inclusi test a trazione e test a fatica.
La fatica, in particolare, è uno degli aspetti più delicati per i componenti metallici stampati in 3D. Difetti interni, rugosità, porosità, orientamento di costruzione e post-processing possono influenzare in modo marcato il comportamento del pezzo quando viene sottoposto a carichi ciclici. Per questo un metodo di qualificazione che voglia ridurre i test deve dimostrare con molta attenzione dove può farlo e dove no.
Fase iniziale e dati di qualificazione
Il bando AIM-4AM prevede una fase iniziale in cui il team dovrà sviluppare un dataset preliminare di qualificazione e un documento di controllo del processo. I campioni dovranno essere distribuiti su più build, più macchine e diversi lotti di materiale, proprio per evitare che i dati rappresentino solo un caso isolato.
Questa impostazione è centrale. Una delle domande più difficili nella stampa 3D metallica è: “se cambio macchina, lotto di polvere o condizione di processo, il materiale resta qualificato?”. La risposta non può basarsi su sensazioni o su un solo risultato positivo. Serve un sistema che colleghi variabilità, controlli e rischio.
AIM-4AM proverà a costruire un metodo in cui i modelli AI suggeriscano quali dati servono per raggiungere un certo livello di confidenza. Se una proprietà converge con poche prove, il modello può indicare che ulteriori test avrebbero scarso valore. Se invece una proprietà mostra variabilità elevata, il sistema può indicare la necessità di altri test mirati.
In questo modo l’intelligenza artificiale non viene presentata come scorciatoia, ma come strumento per rendere più razionale la campagna di qualificazione.
Un tema più ampio per la stampa 3D industriale
La qualificazione è uno dei motivi per cui la stampa 3D metallica fatica a passare da casi dimostrativi a produzione su scala più ampia in settori regolati. Molte aziende sanno stampare componenti complessi, ma trasformare quella capacità in produzione certificata richiede documentazione, ripetibilità, dati e controlli.
Per il settore, il tema non è solo stampare meglio. È dimostrare che un pezzo può essere prodotto più volte con risultati prevedibili. È qui che software, dati di processo e modelli statistici diventano parte della catena produttiva.
AIM-4AM si inserisce in questa direzione. La stampa 3D metallica non può dipendere solo dal know-how del singolo operatore o da parametri custoditi in modo poco trasparente. Per entrare in supply chain complesse, il processo deve diventare più leggibile, tracciabile e verificabile.
AI sì, ma dentro un quadro di controllo
Un punto importante è che il progetto non propone di usare l’intelligenza artificiale come sostituto degli standard. Nel bando AIM-4AM viene chiarito che AI e machine learning devono affiancare la validazione sperimentale e i metodi statistici, non cancellarli.
Questo è un messaggio utile per tutto il settore. La produzione additiva metallica ha bisogno di strumenti digitali più potenti, ma anche di prudenza. In applicazioni aerospaziali e difesa, un modello predittivo deve essere verificato, spiegato e collegato a dati di processo robusti.
Il valore del progetto sarà quindi misurato non solo dalla capacità di ridurre il numero di provini, ma dalla qualità del metodo: quanto è tracciabile, quanto è ripetibile, quanto è accettabile per chi deve autorizzare l’impiego di componenti reali.
Una possibile ricaduta oltre la difesa
Anche se il finanziamento arriva da ambiti legati alla difesa statunitense, i risultati di un progetto di questo tipo possono avere interesse anche per il settore commerciale. Aerospazio civile, energia, motorsport, medicale e produzione industriale avanzata affrontano problemi simili: i componenti AM promettono vantaggi di progettazione e supply chain, ma devono superare barriere di qualifica.
Se AIM-4AM riuscirà a dimostrare un metodo credibile per associare riduzione dei test e categorie di rischio, potrà offrire un modello utile anche fuori dal perimetro militare. La produzione additiva ha bisogno di percorsi più rapidi, ma non meno rigorosi. La sfida è trovare un equilibrio tra dati sperimentali, modelli digitali e controlli di processo.
La selezione del team guidato da Dyndrite per AIM-4AM conferma quanto il software stia diventando centrale nella stampa 3D metallica industriale. Non solo per preparare il file o controllare il laser, ma per costruire dati, documentare il processo e supportare la qualificazione.
Dyndrite, Mimo Technik Printed Metal e RTX Technology Research Center lavoreranno su un problema concreto: capire come ridurre il carico di prove fisiche nella qualificazione del 17-4PH H1025 prodotto in LPBF senza perdere confidenza nei risultati.
Per la produzione additiva questo è un passaggio importante. Non perché l’intelligenza artificiale risolva da sola il problema della certificazione, ma perché può aiutare a usare meglio i dati, a scegliere le prove più utili e a rendere più chiaro il legame tra processo, materiale e prestazione finale.
