Apprendimento automatico e geopolimeri: stampa 3D per l’edilizia
Ali Bagheri e Christian Cremona esplorano le complessità nella fabbricazione digitale, condividendo le loro scoperte nel recente pubblicato ” Formulazione del mix design per la stampa 3D di geopolimeri: un approccio di apprendimento automatico” .
Concentrandosi sui materiali stampati in 3D per l’edilizia, Bagheri e Cremona valutano il potenziale dell’apprendimento automatico. Sperimentando campioni di geopolimero e diverse composizioni, gli autori hanno valutato le variabili target nell’apprendimento automatico. Hanno iniziato osservando la resistenza a compressione dei leganti geopolimerici e gli elementi coinvolti, per includere:
Caratteristiche delle materie prime
Composizione chimica delle risorse di alluminosilicato
Formulazione dell’attivatore alcalino
Ioni alcalini nell’attivatore
Frazione di composti silicato-idrossido nell’attivatore
Rapporto acqua / legante
Formulazione di aggregati
Alla stampa 3D, i fattori crescono fino a includere:
Metodo di stampa
Risoluzione del livello
Forma delle stampe
Tassi di estrusione
Orientamento
Preparazione e formulazione dei materiali
“Dato un numero innumerevole di variabili indipendenti, la previsione della resistenza a compressione dei campioni di geopolimero stampato senza l’uso di una macchina genererà un alto livello di errore”, hanno affermato i ricercatori. “Ad esempio, si può prevedere la forza dei campioni classificati in quattro categorie con un errore del 75%. Tuttavia, l’uso dell’apprendimento automatico ridurrebbe significativamente questo errore, come si può vedere più avanti in questo lavoro. “
I dati attuali offrono vantaggi ai ricercatori in quanto sono in grado di apprendere di più attraverso la stampa delle variabili e la modifica dei parametri:
“Tra i parametri efficaci citati, il contenuto della cenere volante, il contenuto delle scorie di altoforno granulato macinato (GGBFS), nonché il rapporto tra ioni boro, ioni silicio e ioni sodio nella soluzione alcalina hanno il più significativo impatto sulla resistenza alla compressione “, hanno affermato i ricercatori.
Una piccola stampante 3D è stata utilizzata per fabbricare campioni per lo studio, costituito da un estrusore a pistone. I ricercatori hanno utilizzato la vibrazione per assicurarsi che la miscela fosse compatta, con le dimensioni del campione risultanti di 250x30x30.
Le scorie sono state trovate nella miscela di geopolimeri e mostravano anche una migliore resistenza a compressione; al contrario, i campioni con più sodio hanno mostrato una ridotta resistenza alla compressione.
L’aumento del boro ha aumentato gli ioni sodio, riducendo al contempo la resistenza a compressione, con lo stesso mostrato anche in termini di minore contenuto di scorie. Il silicato è anche un ingrediente fondamentale per lo sviluppo della forza e il collegamento incrociato.
Matrice di confusione della funzione ctree basata su valori reali
Matrice di confusione della funzione ctree basata sui valori previsti
Alla fine, Bagheri e Cremona hanno scoperto che il vero valore di previsione era del 63 percento.
“Le previsioni potrebbero essere confrontate in due modi efficienti. Innanzitutto, la semplicità del modello potrebbe essere valutata sulla base delle regole di previsione e comprendente il numero di parametri. Di conseguenza, la funzione rpart è molto più semplice con solo due parametri per il 50% delle previsioni e tre parametri per un’altra metà “, hanno concluso i ricercatori.
“Considerando che la funzione ctree ha utilizzato quattro fattori per il 74% delle previsioni e due fattori per solo il 26% delle previsioni. In secondo luogo, l’accuratezza cumulativa di ciascuna funzione di previsione è stata utilizzata come criterio di confronto. Il fattore di accuratezza cumulativa è stato ottenuto moltiplicando il numero di previsioni in ciascuna categoria e il valore predittivo positivo appropriato.
L’acquisizione dell’accuratezza cumulativa del 70% per la funzione rpart rispetto al 63% per quella della funzione ctree ha evidenziato prestazioni simili ma leggermente migliori per la funzione rpart per prevedere la resistenza a compressione dei campioni di geopolimero a base di boro stampati in 3D. Inoltre, l’importanza della percentuale di scorie e del rapporto tra gli ioni boro può essere vista negli alberi delle decisioni creati rispettivamente dalle funzioni ctree e rpart. ”
