L’agenzia statunitense DARPA (Defense Advanced Research Projects Agency) ha approvato un finanziamento di quasi 500.000 dollari a favore di un progetto di ricerca focalizzato sullo sviluppo di un modello di intelligenza artificiale per la qualificazione di componenti metallici realizzati tramite additive manufacturing. Il progetto, condotto presso la University of Central Florida (UCF), punta a ridurre in modo significativo il numero di prove distruttive e i tempi necessari per dimostrare l’idoneità strutturale di parti metalliche stampate in 3D per applicazioni critiche.
Obiettivo del progetto: meno test distruttivi, qualificazione più rapida
Nel settore della produzione additiva metallica, la qualificazione dei componenti per l’impiego in aerospazio, difesa ed energia richiede ancora oggi un ampio ricorso a prove distruttive, con campagne sperimentali lunghe e costose. Il gruppo della UCF intende sostituire una parte consistente di questi test fisici con un modello di machine learning addestrato su grandi quantità di dati di processo e di caratteristiche microstrutturali, così da prevedere in modo affidabile la resistenza e la vita a fatica dei campioni senza doverli distruggere.
Il ruolo della UCF e delle tecniche di machine learning
Il progetto si basa su un modello di intelligenza artificiale sviluppato da un ricercatore della University of Central Florida, che combina dati di monitoraggio in-process, parametri di stampa e risultati metrologici per costruire correlazioni robuste tra condizioni di produzione, difetti interni e proprietà meccaniche. L’approccio segue una traiettoria già sperimentata in altri contesti, come gli studi del Johns Hopkins Applied Physics Laboratory e della Whiting School of Engineering sul titanio Ti‑6Al‑4V, dove modelli di AI hanno permesso di identificare nuove finestre di processo per la fusione laser a letto di polvere e di ridurre difetti e porosità.
Tecnologie additive considerate: L‑PBF, DED e leghe metalliche critiche
Sebbene il progetto alla UCF sia concepito per essere generalizzabile a diverse tecnologie additive, l’attenzione principale riguarda processi come il laser powder bed fusion (L‑PBF) e il directed energy deposition (DED), ampiamente utilizzati per leghe ad alte prestazioni. In linea con altri progetti su finanziamento pubblico, come gli studi sul Ti‑6Al‑4V e le iniziative del Dipartimento dell’Energia USA e di DMG MORI Federal Services per l’ottimizzazione AI dei processi PBF, l’obiettivo è costruire modelli affidabili per leghe impiegate in aerospazio, energia e difesa, dove i requisiti di sicurezza sono particolarmente stringenti.
Dati, sensori e simulazione alla base del modello AI
Per rendere il modello realmente predittivo, il team impiegherà una combinazione di dati sperimentali, simulazioni numeriche e segnali provenienti da sensori integrati nelle macchine di stampa 3D metallica. Questa strategia è coerente con approcci già adottati nei progetti AI per la stampa 3D del titanio e nello sviluppo di strumenti di ottimizzazione per la L‑PBF, dove la fusione di simulazione, supercalcolo e intelligenza artificiale ha permesso di restringere il numero di prove fisiche necessarie e di definire finestre di processo robuste per geometrie e leghe specifiche.
Riduzione dei costi e maggiore affidabilità per l’industria
La combinazione di machine learning e additive manufacturing promessa dal progetto supportato da DARPA punta a rendere più economico e prevedibile il passaggio dalla fase di sviluppo alla produzione certificata di componenti metallici. Riducendo il numero di iterazioni sperimentali e concentrando i test distruttivi solo sui casi necessari, le aziende possono abbassare i costi di qualifica e accelerare l’introduzione sul mercato di parti complesse, conservando al tempo stesso standard elevati di sicurezza e affidabilità per componenti soggetti a carichi dinamici e ambienti estremi.
Connessioni con altre iniziative su AI e stampa 3D
Il finanziamento DARPA si inserisce in un quadro più ampio di iniziative che utilizzano l’intelligenza artificiale per stabilizzare e ottimizzare i processi di stampa 3D in metallo. Studi come quelli del MIT sull’uso dell’AI per automatizzare la qualificazione dei materiali stampati in 3D e progetti finanziati dal Dipartimento dell’Energia per lo sviluppo di strumenti AI di ottimizzazione PBF indicano una tendenza convergente: utilizzare modelli predittivi per trovare più velocemente i parametri ideali e per valutare il comportamento dei materiali in condizioni operative estreme, senza affidarsi esclusivamente a prove fisiche laboriose.
