Un team congiunto del Korea Institute of Materials Science (KIMS) e del Max-Planck-Institut ha sviluppato un approccio di intelligenza artificiale spiegabile che collega la forma e la distribuzione dei pori nelle parti prodotte con Laser Powder Bed Fusion alle loro proprietà meccaniche, in particolare alla resistenza. L’obiettivo non è solo prevedere se una combinazione di parametri genererà porosità critica, ma comprendere quali caratteristiche dei pori – dimensione, forma, orientazione, posizione – incidono maggiormente sull’innesco e sulla propagazione dei difetti sotto carico, così da guidare il design dei parametri di processo in modo più mirato.
Il lavoro si inserisce nel filone di ricerca che cerca di superare l’approccio “trial & error” in LPBF, dove tradizionalmente la porosità viene ridotta ottimizzando empiricamente potenza laser, velocità di scansione, hatch distance e spessore di strato, spesso con lunghi cicli di prove e caratterizzazioni. Integrando IA spiegabile e dati microstrutturali, i ricercatori puntano a costruire mappe di processo più intelligenti che non si limitano a indicare zone “buone” o “cattive”, ma forniscono indicazioni sul perché determinati set di parametri portino a pori più dannosi dal punto di vista meccanico.
Pori in LPBF: perché forma e posizione contano quanto la densità
Nei processi LPBF i difetti di porosità possono essere classificati, semplificando, in tre categorie: porosità da lack-of-fusion, porosità da keyhole e porosità da ritiro. La porosità da lack-of-fusion è legata a energia insufficiente tra tracce o tra strati, con cavità allungate lungo i percorsi di scansione; quella da keyhole deriva da energia eccessiva e instabilità del bagno di fusione, con pori più sferici intrappolati sotto la superficie; la porosità da ritiro è collegata alla solidificazione e contrazione volumetrica del metallo.
Studi recenti su superleghe hanno mostrato che, a parità di frazione volumica, i pori allungati da lack-of-fusion sono più critici per la resistenza a fatica rispetto ai pori sferici da keyhole, perché agiscono come veri e propri inneschi di cricca orientati lungo direzioni preferenziali. Inoltre, la posizione dei pori rispetto alla superficie gioca un ruolo determinante: difetti vicini alla superficie o in zone di massimo stress hanno un impatto molto più marcato, motivo per cui alcune strategie di post-lavorazione superficiale spostano l’origine del danno dalla rugosità verso la porosità interna.
Come funziona il modello di IA spiegabile sviluppato da KIMS e Max Planck
Il gruppo KIMS–Max Planck ha raccolto dati da campioni LPBF sottoposti a differenti condizioni di processo, caratterizzati mediante microscopia e, in alcuni casi, tomografia per ricostruire pori e microstruttura. Da queste analisi sono state estratte caratteristiche geometriche dei pori – ad esempio rapporto d’aspetto, sfericità, volume, orientazione, distanza dalla superficie – e correlate con i risultati di prove meccaniche a trazione o fatica.
Su questo dataset è stato addestrato un modello di apprendimento automatico capace di prevedere la resistenza o la vita a fatica in funzione delle caratteristiche di porosità; l’uso di tecniche di IA spiegabile permette di interpretare quali parametri di poro pesano di più nel determinare la risposta meccanica. In questo modo i ricercatori non ottengono solo una “scatola nera” predittiva, ma una guida per il process design: ad esempio, può emergere che in un certo intervallo di densità relativa il fattore critico sia ridurre i pori allungati all’interfaccia tra cordoni, orientando di conseguenza le strategie di scansione.
Dai dati al design di processo: mappe LPBF più intelligenti
Una volta stabilito il legame tra forma dei pori e resistenza, il passo successivo è tradurre queste informazioni in mappe di processo per LPBF che incorporino obiettivi microstrutturali oltre al semplice target di densità. In pratica, invece di puntare solo a una densità globale molto elevata, le mappe parametriche possono includere regioni in cui è più probabile formare pori compatti piuttosto che pori aperti allungati, oppure condizioni di scansione che minimizzano la coalescenza dei pori in cluster critici.
Questo si allinea con altre ricerche che utilizzano simulazioni termiche o modelli generativi per prevedere campi di temperatura, tensioni residue e distorsioni in LPBF, dove i campi termici predetti sono usati per anticipare porosità, tensioni e microstruttura prima ancora di stampare il pezzo. In prospettiva, combinare IA spiegabile per la porosità con modelli termici e meccanicistici rende possibile un design di processo più olistico, in cui parametri e strategie di scansione vengono ottimizzati simultaneamente per difetti, prestazioni meccaniche e produttività.
Confronto con altri approcci alla riduzione dei difetti in LPBF
Il lavoro KIMS–Max Planck si colloca accanto ad altri approcci che puntano a controllare i difetti in LPBF, ma si distingue per il focus esplicito sulla forma dei pori e sull’uso di IA spiegabile. Alcuni studi propongono, per esempio, l’uso di profili di raggio laser non convenzionali per ridurre simultaneamente pori, rugosità e microcracking, agendo direttamente sulla stabilità del bagno di fusione. Un altro filone ha sviluppato modelli per prevedere la porosità da ritiro in superleghe come Inconel 718, basati sulla velocità di raffreddamento e su mappe di processo derivate da un’analisi del trasferimento di calore.
Parallelamente, altri lavori si concentrano sulle leghe stesse, come le leghe ad alta entropia o nuove composizioni di superleghe, per ridurre la tendenza alla microsegregazione e ai difetti di solidificazione sotto le condizioni estreme della LPBF. Rispetto a questi approcci, l’uso di IA spiegabile fornisce uno strumento trasversale: può essere applicato a diverse leghe e strategie di scansione, fornendo feedback su come le diverse combinazioni di parametri influiscono sulle caratteristiche della porosità e, in ultima analisi, sulle proprietà meccaniche.
Implicazioni per applicazioni critiche e per lo sviluppo di standard
Capire come forma e distribuzione dei pori influenzino la resistenza delle parti LPBF ha implicazioni dirette per settori come aerospazio, automotive e medicale, dove la tolleranza ai difetti è strettamente normata. In applicazioni aerospaziali o nelle turbine, ad esempio, la presenza di cluster di pori allungati in zone critiche può ridurre significativamente la vita a fatica; un modello di IA spiegabile che identifichi questi scenari consente di definire limiti più intelligenti non solo sulla densità globale, ma anche sulle caratteristiche locali della porosità.
Dal punto di vista della certificazione, strumenti basati su IA spiegabile possono supportare la definizione di criteri di accettazione più sofisticati per parti LPBF, ad esempio integrando controlli non distruttivi con valutazioni automatiche del rischio associato ai difetti rilevati. Inoltre, la capacità di collegare parametri di processo, porosità e prestazioni meccaniche crea un terreno favorevole per l’adozione di standard che includano, oltre alle specifiche di macchina, anche requisiti su modelli predittivi e metodologie di qualifica basate su dati.
