DOE finanzia DMG MORI Federal Services con 400.000 $ per uno strumento AI di ottimizzazione PBF
Il Dipartimento dell’Energia degli Stati Uniti (DOE) ha assegnato a DMG MORI Federal Services un finanziamento di 400.000 dollari nell’ambito del programma High-Performance Computing for Manufacturing (HPC4Mfg), parte dell’iniziativa High-Performance Computing for Energy Innovation. L’obiettivo è sviluppare, insieme all’Oak Ridge National Laboratory (ORNL), uno strumento automatizzato per l’ottimizzazione dei processi laser powder bed fusion (PBF / LPBF) basato su simulazione avanzata, supercalcolo e modelli di intelligenza artificiale, così da accelerare la qualifica di componenti critici per l’energia e aumentare competitività e qualità della produzione additiva metallica.
DMG MORI Federal Services, DOE e il programma HPC4Mfg
DMG MORI Federal Services (DMFS) è la controllata del gruppo DMG MORI dedicata alle agenzie federali e statali USA e ai grandi prime contractor della difesa e dell’energia, con un portafoglio che integra macchine sottrattive, sistemi additivi LASERTEC SLM, automazione e software. Negli ultimi anni DMFS ha strutturato il proprio posizionamento su progetti che richiedono gestione sicura della Controlled Unclassified Information (CUI), ottenendo tra l’altro la certificazione CMMC 2.0 Level 2, requisito chiave per partecipare a contratti del Dipartimento della Difesa e di altri enti federali.
Il finanziamento da 400.000 dollari arriva dal programma HPC4Mfg, che dal 2015 sostiene progetti che sfruttano le capacità di high‑performance computing (HPC) dei laboratori nazionali per ottimizzare processi e materiali in ambito manifatturiero. In questo ultimo round, l’ufficio Office of Critical Minerals and Energy Innovation (CMEI) del DOE ha stanziato complessivamente 4,8 milioni di dollari per 12 progetti focalizzati su competitività, supply chain energetica e componenti per infrastrutture critiche.
Collaborazione con Oak Ridge National Laboratory e focus sulla qualifica delle parti
Il progetto coinvolge Oak Ridge National Laboratory (ORNL), uno dei principali hub mondiali per supercalcolo e ricerca in produzione additiva, da anni impegnato nello sviluppo di materiali, parametri e metodologie per la LPBF. In questo caso ORNL mette a disposizione la propria infrastruttura di calcolo ad alte prestazioni e l’esperienza nella modellazione avanzata del processo per costruire uno strumento di ottimizzazione che sia specifico per le piattaforme LASERTEC 30 SLM e altre macchine PBF di DMG MORI.
Secondo le dichiarazioni di Fred Carter, Head of R&D di DMG MORI Federal Services, la collaborazione permette di combinare le piattaforme LPBF di DMG MORI con le competenze di ORNL in HPC e scienza dei materiali per sviluppare strumenti data‑driven in grado di migliorare il controllo di processo, la ripetibilità e la competitività dell’industria americana. La finalità esplicita è accelerare la qualifica di componenti critici in ambito energetico, riducendo il numero di iterazioni fisiche necessarie e sfruttando la simulazione intensiva per convergere più rapidamente a set di parametri robusti.
Lo strumento di ottimizzazione PBF: simulazione, AI e riduzione delle prove fisiche
L’iniziativa punta alla creazione di un tool di ottimizzazione automatizzata per processi PBF, orientato in primo luogo alle macchine LASERTEC SLM prodotte negli Stati Uniti. Anche se i dettagli architetturali non sono ancora definiti pubblicamente, la descrizione fornita da DOE e DMG MORI indica alcuni elementi chiave:
- utilizzo di supercalcolo dei laboratori DOE per eseguire simulazioni termo‑fluidodinamiche e strutturali del processo LPBF su scala componente;
- integrazione di modelli di AI / machine learning addestrati su dati di processo e risultati sperimentali per correlare parametri di scansione, strategie di esposizione e qualità finale (densità, difetti interni, rugosità, tensioni residue);
- generazione di set di parametri ottimizzati e linee guida applicabili su specifiche leghe e geometrie tipiche dei componenti per energia, con l’obiettivo di ridurre gli errori e il numero di campioni fisici distruttivi necessari alla qualifica.
La letteratura tecnica sulla LPBF mostra come parametri quali potenza del laser, velocità di scansione, spessore strato e hatch distance influenzino densità, stabilità del melt pool e difettologia; diversi studi, anche su macchine LASERTEC 30 SLM, hanno definito intervalli ottimali per raggiungere densità superiori al 99,5% e ridurre porosità e instabilità. Lo strumento che DMG MORI e ORNL intendono sviluppare si inserisce in questa direzione, automatizzando quella fase di ricerca parametri che oggi richiede tempi lunghi e costi elevati in prova‑errore, e integrandola nei workflow industriali tramite interfacce con il controllo CELOS e i software di gestione macchina.
Impatto su costi, tempi di qualifica e performance della LPBF
L’adozione di un tool di ottimizzazione PBF basato su HPC e AI mira a incidere su tre aspetti centrali della produzione additiva metallica:
- Riduzione del tempo di qualifica: per nuovi materiali, nuove geometrie o nuove applicazioni, la fase di definizione dei parametri LPBF può passare da cicli multipli di build sperimentali a un numero più contenuto di iterazioni, guidate da risultati di simulazione e pre‑ottimizzazione virtuale.
- Migliore ripetibilità e qualità: l’ottimizzazione algoritmica aiuta a stabilizzare il melt pool, ridurre difetti interni e variazioni tra macchine e lotti, elementi fondamentali per componenti critici destinati a turbine, sistemi di generazione, scambiatori e hardware per data center ad alta densità.
- Riduzione dei costi di produzione: un processo più robusto, con meno scarti e meno rework, permette di abbassare il costo per pezzo, aumentando la competitività della LPBF rispetto ad altre tecnologie e facilitando l’adozione per serie più ampie.
Questo tipo di approccio si allinea alle priorità del DOE su energia, infrastrutture critiche e supply chain di materiali strategici, dove la possibilità di produrre in modo affidabile componenti complessi con produzione additiva rappresenta un vantaggio sia tecnologico sia geopolitico.
DMG MORI negli Stati Uniti: macchine LPBF, sicurezza dei dati e investimenti in Illinois
Il progetto HPC4Mfg arriva in un momento in cui DMG MORI rafforza la propria presenza industriale negli USA lungo tre direttrici: produzione locale di macchine additiva, sicurezza dei dati e investimenti in capacità di R&D.
- Le macchine LASERTEC 30 SLM vengono prodotte negli Stati Uniti e posizionate come piattaforme LPBF per applicazioni aerospaziali, difesa, energia e data center, con build volume fino a 325 × 325 × 400 mm, configurazioni mono e multi‑laser e controlli CELOS.
- DMG MORI Federal Services ha ottenuto la certificazione CMMC 2.0 Level 2, rafforzando la propria capacità di gestire in sicurezza file CAD, programmi NC e file di stampa 3D classificati come CUI in progetti con il DoD, il DOE e altre agenzie.
- Lo stato dell’Illinois ha stanziato 40 milioni di dollari per supportare un nuovo centro di R&D e formazione DMG MORI nell’area di Chicago, con la creazione di decine di nuovi posti di lavoro e collaborazioni con il sistema dei City Colleges of Chicago per la formazione di tecnici in manifattura avanzata.
L’Illinois è anche uno dei principali hub statunitensi per data center e infrastrutture digitali; la combinazione tra LPBF, ottimizzazione HPC e know‑how su componenti termici e strutturali per questi impianti rappresenta un asse strategico evidente per l’uso industriale dei risultati del progetto.
Significato strategico del grant DOE per l’additive manufacturing metallica
Il grant da 400.000 dollari al progetto DMG MORI Federal Services – ORNL è relativamente contenuto rispetto al budget complessivo del DOE, ma ha un peso simbolico e strategico rilevante per l’ecosistema della produzione additiva metallica. Da un lato, conferma il ruolo dell’LPBF come tecnologia chiave per componenti ad alto valore in energia, difesa e infrastrutture, dall’altro mette l’accento sulla necessità di strumenti di ottimizzazione e qualifica sempre più basati su dati, simulazioni e supercalcolo.
Per DMG MORI, il progetto consente di:
- differenziare le proprie piattaforme LPBF con un layer software avanzato nativamente integrato;
- rafforzare i rapporti con i laboratori nazionali e con le agenzie federali;
- proporre alle aziende uno stack completo che va dalla macchina alla metodologia di qualifica accelerata.
Per il settore in generale, iniziative di questo tipo anticipano un futuro in cui la ricerca parametri non sarà più un’attività per tentativi in officina, ma un processo ingegnerizzato che sfrutta HPC, AI e modelli multi‑fisici per arrivare a ricette di processo certificate, trasferibili e tracciabili lungo la catena di fornitura.
