Uno dei problemi più importanti della stampa 3D metallica Laser Powder Bed Fusion non consiste più soltanto nel disporre di laser più potenti, sistemi multilaser o camere di costruzione di dimensioni maggiori. Una delle sfide decisive è riuscire a controllare ciò che accade durante i pochi millisecondi nei quali il laser fonde la polvere metallica.
Un gruppo di ricercatori di ETH Zurich, con il coinvolgimento dell’ecosistema di ricerca di inspire AG, ha sviluppato una nuova strategia di controllo closed-loop progettata per regolare il comportamento termico del processo PBF-LB durante la costruzione.
Il metodo viene descritto nello studio Multi-scale closed-loop melt pool control for LPBF via policy optimization, firmato da Junan Lin, Riccardo Zuliani, Barış Kavas, Markus Bambach, John Lygeros ed Efe C. Balta.
La ricerca introduce un’architettura a due livelli che interviene contemporaneamente sulla scala temporale molto rapida della scansione del laser e su quella più lenta della successione degli strati.
L’obiettivo è mantenere più stabile la temperatura della superficie durante la fusione, compensando variazioni che nei normali sistemi PBF-LB vengono affrontate prevalentemente attraverso parametri definiti prima dell’inizio della costruzione.
In altre parole, invece di dire alla macchina una volta per tutte come deve comportarsi, il sistema cerca di farla reagire alle condizioni che incontra durante il processo.
Il problema dei parametri fissi nella stampa 3D metallica
Nella maggior parte dei processi Laser Powder Bed Fusion vengono definiti in anticipo parametri quali potenza del laser, velocità di scansione, distanza tra le linee di fusione, spessore dello strato e strategia di scansione.
Questi valori vengono normalmente sviluppati attraverso campagne sperimentali e vengono ottimizzati per una determinata combinazione tra materiale, macchina e geometria.
Il principio funziona bene quando le condizioni rimangono relativamente prevedibili.
Durante una costruzione reale, però, la situazione termica cambia continuamente.
Un’area molto sottile disperde calore in modo differente rispetto a una grande sezione piena.
Una zona vicina alla piattaforma di costruzione può dissipare rapidamente energia attraverso il materiale sottostante, mentre una struttura alta o caratterizzata da pareti sottili può accumulare calore.
Anche l’ordine con cui vengono percorse le traiettorie influenza la temperatura.
Il risultato è che la stessa potenza del laser non produce necessariamente lo stesso comportamento del bagno di fusione in ogni punto del componente.
Una geometria complessa modifica continuamente il comportamento termico
Il problema diventa ancora più evidente quando vengono prodotte geometrie complesse.
Canali interni, pareti sottili, reticoli, overhang e cambiamenti improvvisi della sezione modificano il modo in cui il calore viene distribuito.
La temperatura della zona di processo può quindi aumentare oppure diminuire mentre la macchina continua a utilizzare gli stessi parametri nominali.
Se l’energia introdotta è eccessiva, il bagno di fusione può diventare troppo grande e instabile.
Se invece è insufficiente, alcune particelle possono non fondersi correttamente.
Questi fenomeni possono contribuire alla formazione di porosità, mancanza di fusione, deformazioni, tensioni residue, irregolarità superficiali e cricche.
È per questo motivo che il controllo termico è diventato uno dei principali campi di ricerca della manifattura additiva metallica.
Dal monitoraggio al controllo reale del processo
Molte moderne macchine PBF-LB dispongono già di sistemi di monitoraggio.
Telecamere, fotodiodi, sensori ottici e sistemi termici possono raccogliere enormi quantità di dati durante la costruzione.
Monitorare, però, non significa automaticamente controllare.
Un sistema può registrare un’anomalia e consentire all’operatore di analizzarla successivamente.
Il closed-loop control segue una logica differente.
Il sensore osserva ciò che sta accadendo, il sistema confronta la condizione misurata con quella desiderata e modifica immediatamente un parametro della macchina.
È la stessa logica utilizzata in moltissimi processi industriali automatizzati.
Nel caso del Laser Powder Bed Fusion, uno dei parametri più facilmente modificabili è la potenza del laser.
La macchina deve reagire mentre sta stampando
Un semplice esempio aiuta a comprendere la differenza.
Supponiamo che il sistema desideri mantenere un determinato andamento della temperatura.
Durante la scansione viene rilevato un aumento superiore al previsto.
Con un processo tradizionale la macchina prosegue utilizzando la potenza programmata.
Con un controllo closed-loop, invece, il controller può ridurre l’energia impartita.
Se successivamente la temperatura scende, può aumentarla.
Il principio è semplice.
La difficoltà consiste nel compiere queste decisioni alla velocità richiesta da un laser che si muove molto rapidamente sopra un letto di polvere.
Il sistema deve inoltre evitare correzioni eccessive che potrebbero rendere il processo ancora più instabile.
ETH Zurich introduce un controllo su due scale temporali
La soluzione sviluppata dai ricercatori combina due controller.
Il primo lavora all’interno del singolo strato.
Il secondo opera da uno strato al successivo.
Le due componenti affrontano quindi fenomeni differenti.
Il controller più rapido reagisce alle variazioni che avvengono mentre il laser percorre le proprie traiettorie.
Quello più lento utilizza invece le informazioni raccolte negli strati precedenti per migliorare il comportamento delle lavorazioni successive.
Questa architettura multiscala rappresenta uno degli aspetti centrali della ricerca.
Il primo loop modifica la potenza durante la scansione
Il controllo in-layer utilizza un sistema lineare di output feedback.
Il controller osserva la differenza tra il comportamento termico desiderato e quello misurato e calcola una correzione della potenza del laser.
La caratteristica nuova è il modo in cui vengono scelti i guadagni del controller.
In molti sistemi industriali questi parametri vengono determinati manualmente.
Un tecnico modifica i valori, esegue prove, osserva il comportamento della macchina e ripete il procedimento fino a raggiungere un compromesso soddisfacente.
È una procedura che può richiedere tempo e materiale.
Soprattutto, una regolazione efficace per una determinata geometria potrebbe non esserlo altrettanto per un’altra.
La policy optimisation sostituisce parte della regolazione manuale
Il gruppo di ETH Zurich utilizza invece una tecnica di policy optimisation.
Nel linguaggio dei sistemi di controllo, la policy rappresenta la regola attraverso la quale il controller decide quale azione intraprendere sulla base dello stato osservato.
In questo caso l’azione principale riguarda la modifica della potenza del laser.
I parametri della policy vengono ottimizzati attraverso tecniche di policy gradient.
Il sistema simula numerose condizioni e modifica progressivamente i parametri del controller in modo da ridurre una funzione di costo.
Questa funzione non considera soltanto la precisione con cui viene seguita la temperatura desiderata.
Tiene conto anche delle limitazioni fisiche imposte alla macchina.
Non basta seguire perfettamente la temperatura
Questo dettaglio è importante.
Un algoritmo potrebbe teoricamente ottenere un ottimo inseguimento della temperatura comandando variazioni di potenza che il sistema laser non è fisicamente in grado di produrre.
Una soluzione di questo genere sarebbe perfetta nella simulazione ma inutile sulla macchina reale.
Il controller deve quindi raggiungere un compromesso.
Deve ridurre l’errore termico evitando contemporaneamente comandi che superino i limiti dell’hardware.
È proprio su questo punto che uno dei risultati della ricerca risulta particolarmente interessante.
Rispetto a un controller utilizzato come riferimento e ottimizzato tramite Bayesian Optimization, il nuovo metodo ha ridotto soltanto del 3,4% l’errore medio di tracking della temperatura.
Il miglioramento può sembrare relativamente contenuto.
Molto più consistente è invece il secondo risultato: le violazioni medie dei limiti sull’input sono diminuite del 47,5%.
Il 47,5% può essere più importante del 3,4%
Il dato merita attenzione perché un controller industriale non deve soltanto essere preciso.
Deve produrre comandi concretamente eseguibili.
Una riduzione del 47,5% delle violazioni dei vincoli significa che il sistema riesce più frequentemente a mantenere il controllo all’interno dell’intervallo operativo disponibile.
È un elemento particolarmente importante quando il laser incontra zone difficili della geometria nelle quali sarebbero richiesti cambiamenti rapidi della potenza.
Un controller che raggiunge un errore teoricamente molto basso ma satura continuamente l’attuatore può diventare meno efficace di uno leggermente meno preciso ma molto più compatibile con la dinamica reale della macchina.
Un secondo loop impara dagli strati precedenti
Il controllo all’interno dello strato rappresenta soltanto metà dell’architettura proposta.
Il secondo livello lavora da uno strato al successivo.
Qui i ricercatori combinano due concetti: Temperature Trajectory Optimization e Iterative Learning Control.
L’Iterative Learning Control è particolarmente adatto ai processi ripetitivi.
Una stampante 3D esegue infatti attività molto simili centinaia o migliaia di volte.
Stende uno strato, lo fonde, deposita nuova polvere e ripete l’operazione.
Se durante uno strato viene osservato un errore, il sistema può utilizzare quella informazione per evitare di ripeterlo nello strato successivo.
La stampa 3D è un processo ideale per imparare dalla ripetizione
Questo è uno dei motivi per cui il gruppo dell’Automatic Control Laboratory di ETH Zurich considera la manifattura additiva particolarmente adatta ai metodi di controllo basati sull’apprendimento.
La costruzione di un componente è composta da operazioni fortemente ripetitive.
L’Iterative Learning Control sfrutta proprio questa caratteristica.
Il controller analizza ciò che è accaduto durante un’iterazione e modifica il comando utilizzato nella successiva.
Con il procedere della costruzione può quindi compensare errori sistematici che tendono a ripetersi.
È un principio differente dal machine learning utilizzato per classificare immagini o generare contenuti.
Qui l’apprendimento serve direttamente a migliorare un processo fisico.
Temperature Trajectory Optimization decide quale andamento seguire
Il secondo elemento è la Temperature Trajectory Optimization.
Non sempre mantenere una temperatura perfettamente costante rappresenta infatti la strategia migliore.
Il comportamento termico desiderabile può cambiare lungo una traiettoria.
Il sistema può quindi determinare un profilo della temperatura da seguire e calcolare la potenza del laser necessaria per avvicinarsi a quel profilo.
Il controllo layer-to-layer prepara così la base sulla quale opera il controller più rapido all’interno dello strato.
Uno pianifica.
L’altro corregge.
Un’architettura simile al comportamento di un guidatore
Il funzionamento può essere paragonato, con qualche semplificazione, alla guida di un’automobile.
Il livello superiore decide quale velocità sia opportuno mantenere lungo un percorso conoscendo curve e tratti rettilinei.
Il livello inferiore corregge continuamente acceleratore e freno quando il veicolo incontra pendenze, vento o altre perturbazioni.
Nel sistema di ETH Zurich, la pianificazione layer-to-layer cerca di anticipare il comportamento termico.
Il feedback in-layer reagisce invece agli scostamenti che compaiono durante la scansione.
Il controller viene addestrato prima di entrare nella macchina
Uno degli aspetti più significativi dello studio riguarda il trasferimento sim-to-real.
La policy viene sviluppata e ottimizzata principalmente in simulazione.
Il modello rappresenta il comportamento termico della lavorazione e permette di esporre il controller a differenti condizioni senza dover produrre fisicamente un componente a ogni tentativo.
Durante questa fase vengono introdotti anche errori nel modello e rumore nelle misurazioni.
Lo scopo è evitare che il controller funzioni soltanto in una simulazione ideale.
Una macchina reale presenterà inevitabilmente differenze rispetto al modello matematico.
Model mismatch e rumore sono inevitabili nella produzione reale
Nessun modello termico riproduce perfettamente ciò che accade in una camera PBF-LB.
Le proprietà della polvere possono variare.
La conduttività termica cambia quando il materiale passa da polvere a solido.
Le superfici emettono radiazione termica in modo differente.
Sensori e telecamere introducono rumore.
La geometria costruita modifica progressivamente il modo in cui il calore viene condotto verso la piattaforma.
Il modello utilizzato dal controller sarà quindi sempre una rappresentazione semplificata della realtà.
Per essere industrialmente utile, il sistema deve funzionare anche quando questa rappresentazione è imperfetta.
Le simulazioni mostrano robustezza anche con errori nel modello
Nei test numerici descritti dai ricercatori, l’architettura multiscala mantiene il controllo della temperatura anche in presenza di considerevole model mismatch e rumore nelle misurazioni.
Questo risultato è importante per il passaggio dalla simulazione alla macchina.
Un controller estremamente efficace sul modello nominale ma fragile rispetto a piccole variazioni avrebbe infatti un’utilità limitata.
La robustezza diventa quindi una parte integrante dell’ottimizzazione.
Una sola calibration layer per preparare il controllo reale
La validazione fisica presenta un altro elemento interessante.
Per adattare il controller alla macchina reale, il gruppo ha utilizzato dati ottenuti da un solo strato di calibrazione stampato senza controllo attivo.
Da questi dati è stato possibile preparare offline il sistema.
Non è stato quindi necessario eseguire una lunga sequenza di prove con il controller attivo e modificare continuamente i parametri durante la produzione.
È una differenza importante rispetto all’autotuning puramente sperimentale.
Ogni prova LPBF consuma infatti polvere, gas, tempo macchina e può richiedere successive operazioni di pulizia e analisi.
Ridurre il numero delle build necessarie per la messa a punto può contribuire a rendere economicamente più interessante l’introduzione del closed-loop control.
La versione sperimentale è più semplice di quella simulata
I ricercatori sottolineano però che l’intera architettura proposta non è stata trasferita integralmente sull’hardware.
La validazione fisica utilizza una versione semplificata del controller, adattata alle limitazioni dell’apparato sperimentale.
È un dettaglio importante per interpretare correttamente i risultati.
La ricerca dimostra la fattibilità dell’approccio e il trasferimento della policy dal modello alla macchina, ma non significa che una stampante industriale possa già utilizzare domani l’intero sistema multiscala senza ulteriori attività di sviluppo.
Il confronto con la Bayesian Optimization
Il gruppo di ETH Zurich aveva già lavorato sull’autotuning dei controller LPBF.
Nel 2025 Barış Kavas, Efe C. Balta, Michael R. Tucker, Raamadaas Krishnadas, Alisa Rupenyan, John Lygeros e Markus Bambach avevano pubblicato un metodo di regolazione automatica basato su Bayesian Optimization.
Anche quella ricerca partiva dallo stesso problema: le prestazioni di un controller closed-loop dipendono fortemente dalla scelta dei propri parametri e una regolazione manuale richiede tempo e competenze.
La Bayesian Optimization permette di cercare automaticamente una buona configurazione attraverso una serie di valutazioni sperimentali.
Il nuovo lavoro sposta ulteriormente il problema verso la simulazione.
Meno tuning sulla macchina reale
Il vantaggio potenziale della policy optimisation è proprio questo.
Invece di utilizzare la macchina fisica per esplorare molte possibili configurazioni, una parte considerevole della ricerca del controller avviene su un modello.
La macchina viene utilizzata soprattutto per acquisire i dati necessari a calibrare la simulazione e successivamente per eseguire il controllo.
Questa logica è molto comune nella robotica e nei sistemi autonomi, dove viene definita sim-to-real.
Applicarla alla stampa 3D metallica è più difficile perché le dinamiche fisiche del processo di fusione sono estremamente rapide e complesse.
Gli autori descrivono il proprio lavoro come una delle prime dimostrazioni riuscite di policy optimisation sim-to-real applicata al processo LPBF.
Il precedente lavoro sulla temperatura tra gli strati
Il nuovo studio non nasce isolatamente.
Nel 2023 il gruppo comprendente Barış Kavas, Efe C. Balta, Michael Tucker, Alisa Rupenyan, John Lygeros e Markus Bambach aveva già dimostrato un sistema closed-loop per stabilizzare la inter-layer temperature, cioè la temperatura della superficie tra uno strato e quello successivo.
Il principio consisteva nel misurare la temperatura e modificare il processo per riportarla verso un valore di riferimento.
Nel 2026 lo stesso filone è stato ampliato con un sistema che alterna due modalità.
Quando la temperatura è troppo bassa, il controller può intervenire sulla potenza del laser.
Quando è troppo elevata, può invece aumentare il tempo di attesa tra uno strato e quello successivo permettendo al componente di raffreddarsi.
La nuova ricerca aggiunge il controllo a una scala temporale ancora più rapida.
Dalla temperatura del pezzo al comportamento durante ogni vettore
Controllare la temperatura tra gli strati significa intervenire su fenomeni che evolvono nell’ordine di secondi o minuti.
Il controllo in-layer deve invece reagire mentre il laser percorre le singole traiettorie.
Le due scale temporali sono molto differenti ma entrambe contribuiscono alle condizioni finali del componente.
Un accumulo termico globale può alterare progressivamente l’intera costruzione.
Una variazione locale può generare invece un difetto concentrato in un punto.
L’architettura multiscala cerca di affrontare entrambi.
Il fenomeno del vector head swelling
Durante gli esperimenti è emerso anche un comportamento che gli autori ritengono particolarmente interessante.
Alcune oscillazioni ad alta frequenza generate dal controller sembrano ridurre il cosiddetto vector head swelling.
Il fenomeno riguarda un rigonfiamento localizzato associato alla zona iniziale di una traiettoria di scansione.
Quando il laser comincia un nuovo vettore, le condizioni termiche e dinamiche possono essere differenti rispetto alla parte centrale del percorso.
Una quantità eccessiva di energia concentrata localmente può produrre un bagno di fusione più largo o una superficie rialzata.
Un comportamento inizialmente indesiderato potrebbe diventare utile
Normalmente oscillazioni rapide della potenza potrebbero essere interpretate come qualcosa da eliminare.
Gli esperimenti di ETH Zurich indicano invece che determinate eccitazioni ad alta frequenza possono avere un effetto positivo sulla geometria della superficie.
I campioni prodotti con differenti configurazioni del controller hanno mostrato una riduzione del rigonfiamento nelle zone iniziali dei vettori.
Gli autori considerano il fenomeno una nuova possibile direzione di ricerca.
Non è ancora una tecnica produttiva qualificata.
Suggerisce però che modulare intenzionalmente il laser su scale temporali molto brevi potrebbe diventare un ulteriore strumento per controllare il comportamento del melt pool.
Non soltanto più o meno potenza
Questo risultato introduce una prospettiva interessante.
Tradizionalmente l’ottimizzazione LPBF considera valori medi come potenza e velocità.
Un controllo sufficientemente rapido permette invece di ragionare sulla forma temporale del comando.
Il laser non deve necessariamente utilizzare una potenza quasi costante lungo tutto il vettore.
Potrebbe applicare profili differenti nelle fasi di accelerazione, nelle curve, agli estremi delle traiettorie oppure vicino a geometrie critiche.
Si passa quindi dalla scelta di un parametro statico alla gestione dinamica dell’energia.
Una macchina potrebbe adattarsi alla geometria che sta costruendo
In prospettiva, questo tipo di controllo potrebbe risultare particolarmente utile per componenti con caratteristiche molto differenti all’interno della stessa build.
Una parete sottile potrebbe richiedere meno energia.
Una grande massa potrebbe tollerarne di più.
Una zona di overhang potrebbe necessitare di un profilo specifico.
Una curva o il punto terminale di un vettore potrebbero richiedere una correzione ancora differente.
Invece di creare manualmente centinaia di regole, il controller potrebbe reagire sulla base del comportamento termico effettivamente osservato.
È questa la differenza tra una macchina preprogrammata e una macchina adattiva.
Il ruolo dell’Automatic Control Laboratory di ETH Zurich
Il progetto unisce competenze normalmente separate.
Il gruppo di Markus Bambach presso ETH Zurich lavora sui processi di advanced manufacturing e sulla produzione additiva metallica.
L’Automatic Control Laboratory, diretto da John Lygeros, sviluppa invece metodi di controllo, ottimizzazione e automazione.
Efe C. Balta guida inoltre le attività di Control and Automation presso inspire AG, partner strategico di ETH Zurich per il trasferimento tecnologico nel settore produttivo.
Questa combinazione permette di applicare algoritmi nati nell’automazione e nell’ottimizzazione a un processo fisico estremamente complesso come il Laser Powder Bed Fusion.
Inspire AG collega ricerca e industria
Il ruolo di inspire AG è particolarmente significativo perché l’organizzazione opera come struttura di trasferimento tecnologico collegata a ETH Zurich.
L’obiettivo non è soltanto sviluppare nuovi algoritmi in laboratorio, ma studiare come possano essere trasformati in soluzioni utilizzabili nella produzione industriale.
Il gruppo guidato da Efe C. Balta lavora su controllo, ottimizzazione, metodi data-driven, sistemi cyber-fisici e automazione applicati ai processi manifatturieri.
La stampa 3D rappresenta un banco di prova particolarmente interessante perché combina dinamiche fisiche complesse, sensori ad alta velocità e attuatori controllabili digitalmente.
ETH Zurich sta sviluppando anche sistemi LPBF più aperti al controllo
Parallelamente, l’area Advanced Manufacturing di ETH Zurich sta lavorando a piattaforme PBF-LB progettate per integrare nuovi sensori e strategie di controllo.
Una delle linee di ricerca riguarda sistemi di computer vision e machine learning capaci di identificare anomalie visibili durante la produzione.
L’obiettivo dichiarato è collegare queste informazioni a sistemi adattivi che possano compensare inconsistenze e, dove possibile, intervenire sui difetti mentre il componente viene costruito.
Questo punto è importante perché molti sistemi LPBF commerciali sono nati con architetture relativamente chiuse.
Integrare nuovi sensori e modificare la potenza del laser in tempo reale richiede invece accesso molto più profondo alla macchina.
L’hardware è uno dei limiti del controllo avanzato
La ricerca sul closed-loop LPBF non dipende quindi soltanto dagli algoritmi.
Una macchina deve essere capace di acquisire il segnale del sensore, elaborarlo e modificare rapidamente il comando del laser.
Devono essere considerate latenza, frequenza di campionamento, dinamica della sorgente laser e velocità dell’elettronica di controllo.
Anche un algoritmo matematicamente perfetto diventa inutile se la correzione arriva quando il laser ha già percorso diversi millimetri.
La versione sperimentale semplificata utilizzata nello studio riflette proprio questo tipo di vincoli.
Il prossimo passo è integrare controllo e monitoraggio
Il settore dell’additive manufacturing ha investito molto nello sviluppo di sistemi di monitoraggio in-process.
Il passaggio successivo consiste nel chiudere l’anello.
Un sensore identifica una deviazione.
Il software interpreta il dato.
Il controller determina una correzione.
La macchina modifica il processo.
Un nuovo dato verifica se l’intervento ha prodotto l’effetto desiderato.
La sequenza continua per tutta la costruzione.
È questa la logica che potrebbe trasformare il monitoraggio da strumento diagnostico a elemento effettivamente produttivo.
Il controllo potrebbe ridurre anche il lavoro di sviluppo dei parametri
Un’altra possibile conseguenza riguarda la qualificazione dei materiali.
Ogni nuova lega utilizzata nel PBF-LB richiede normalmente una finestra di processo.
Devono essere individuate combinazioni di potenza, velocità e altri parametri capaci di produrre densità e proprietà adeguate.
Un sistema closed-loop non elimina questo lavoro.
Potrebbe però ridurre la dipendenza da un singolo set di parametri ottimizzato per condizioni molto specifiche.
Se la macchina è capace di correggere automaticamente una parte delle variazioni termiche, la finestra operativa potrebbe diventare più robusta.
È un obiettivo di grande interesse per la produzione industriale.
Un possibile impatto sulla qualificazione dei componenti
Aerospazio, medicale ed energia richiedono livelli elevati di tracciabilità e ripetibilità.
Oggi una parte considerevole della garanzia di qualità viene ottenuta attraverso controlli effettuati dopo la produzione.
Tomografia computerizzata, analisi metallografiche, prove meccaniche e controlli non distruttivi possono aumentare notevolmente il costo di un componente.
Il closed-loop control non sostituirà automaticamente questi controlli.
Potrebbe però contribuire a rendere il processo più prevedibile.
Se il sistema conosce continuamente lo stato della lavorazione e mantiene alcune variabili entro intervalli controllati, una parte dei dati prodotti durante la build potrebbe diventare in futuro parte della documentazione di qualità.
Dal controllo statistico al controllo individuale di ogni pezzo
La manifattura tradizionale si basa spesso sulla capacità di stabilizzare un processo e verificare statisticamente che continui a rimanere entro determinate tolleranze.
La produzione additiva aggiunge una possibilità ulteriore.
Ogni componente nasce da un file digitale e può essere monitorato durante tutta la costruzione.
In prospettiva si potrebbe disporre di una storia completa della produzione di ogni singolo pezzo: temperatura, potenza laser, segnali del melt pool, anomalie rilevate e correzioni effettuate.
Il closed-loop control potrebbe quindi contribuire alla creazione di una sorta di impronta digitale del processo.
Non significa eliminare i difetti automaticamente
È però importante non attribuire alla ricerca risultati che non sono ancora stati dimostrati.
Il controller sviluppato da ETH Zurich è concentrato soprattutto sulla stabilizzazione termica.
Una temperatura ben controllata può ridurre le condizioni che favoriscono determinati difetti, ma non significa che ogni porosità o cricca possa essere automaticamente eliminata.
La formazione dei difetti LPBF dipende da moltissimi fattori.
Polvere, atmosfera, contaminazione, recoating, spatter, dinamica del keyhole, tensioni residue e geometria interagiscono continuamente.
Il controllo termico rappresenta quindi una componente del problema, non la soluzione completa.
Neppure la policy optimisation rende autonoma la stampante
Anche il termine policy optimisation deve essere interpretato correttamente.
Non si tratta di una stampante che sviluppa liberamente la propria strategia senza vincoli.
L’algoritmo opera all’interno di un obiettivo matematico e di limiti definiti dai ricercatori.
La potenza del laser rimane vincolata.
La temperatura desiderata viene stabilita.
La struttura del controller viene progettata dagli ingegneri.
L’ottimizzazione cerca la migliore configurazione all’interno di queste condizioni.
L’autonomia è quindi controllata e finalizzata a uno specifico obiettivo produttivo.
Un passaggio verso la produzione additiva adattiva
Il valore del lavoro di ETH Zurich e inspire AG risiede soprattutto nell’indicare una possibile direzione per le future macchine metalliche.
La prima generazione di sistemi PBF-LB eseguiva parametri sostanzialmente fissi.
La generazione successiva ha aggiunto sensori.
Ora la ricerca sta cercando di collegare sensori e attuatori attraverso sistemi di controllo capaci di modificare realmente il processo.
La policy optimisation aggiunge un ulteriore elemento: parte della complessa regolazione del controller può essere effettuata automaticamente in simulazione e successivamente trasferita alla macchina.
Dalla ricetta di processo alla macchina che reagisce
Questo cambiamento può essere sintetizzato attraverso il concetto di ricetta.
Oggi la produzione LPBF dipende in larga misura da una ricetta qualificata: una combinazione di parametri che deve funzionare lungo tutta la costruzione.
L’approccio adattivo non elimina la ricetta, ma la rende meno rigida.
La macchina continua a partire da parametri di riferimento, ma può correggerli quando le condizioni reali si allontanano da quelle previste.
È una trasformazione concettualmente importante.
Il processo non viene più considerato completamente determinato prima di premere il pulsante di avvio.
Diventa un sistema dinamico che deve essere osservato e controllato durante tutta la costruzione.
La sfida sarà trasferire questi risultati sulle macchine industriali
Per arrivare alla produzione occorrerà ora verificare il metodo su geometrie, materiali e sistemi differenti.
Dovrà essere dimostrata la stabilità durante build lunghe e complesse.
Occorrerà capire quanto un controller addestrato su determinate condizioni possa essere trasferito ad altre macchine.
Anche il comportamento delle differenti sorgenti laser e dei sistemi ottici dovrà essere considerato.
Infine sarà necessario integrare il controllo con gli altri sistemi di monitoraggio e con le procedure di qualificazione industriale.
La ricerca di Junan Lin, Riccardo Zuliani, Barış Kavas, Markus Bambach, John Lygeros ed Efe C. Balta non risolve ancora tutti questi problemi.
Dimostra però un passaggio importante: una policy ottimizzata prevalentemente fuori dalla macchina può essere trasferita a un vero processo LPBF e ottenere prestazioni comparabili o superiori a sistemi regolati direttamente attraverso prove sperimentali.
Il miglioramento del 3,4% nel tracking termico è interessante, ma la riduzione del 47,5% delle violazioni dei limiti del comando mostra forse meglio il potenziale industriale dell’approccio.
La macchina non deve soltanto sapere quale temperatura vuole raggiungere.
Deve riuscire a farlo utilizzando azioni fisicamente realizzabili, reagendo alle variazioni del processo e imparando da ciò che è accaduto negli strati precedenti.
È proprio questa capacità di adattamento che potrebbe rappresentare uno dei prossimi passaggi nella maturazione della stampa 3D metallica.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
