Università di Toronto: un nuovo approccio per migliorare la precisione della stampa 3D in metallo
Un sistema per l’ottimizzazione dei parametri nel processo L-DED
Un gruppo di ricerca della Facoltà di Ingegneria dell’Università di Toronto ha sviluppato un framework progettato per ottimizzare in modo più efficiente i parametri di processo nella stampa 3D in metallo. Il sistema, denominato AIDED (Accurate Inverse Process Optimization Framework in laser-Directed Energy Deposition), integra modelli di apprendimento automatico (machine learning) con un meccanismo di ottimizzazione basato su algoritmi genetici.
L’obiettivo principale del progetto è identificare, in tempi contenuti, le impostazioni di processo più adatte nel campo della deposizione di energia diretta tramite laser (L-DED), una tecnica ampiamente utilizzata per la produzione additiva di componenti metallici.
Ottimizzazione guidata da dati e modelli predittivi
Il framework AIDED è stato sviluppato per analizzare e gestire i parametri chiave che influenzano la qualità del processo L-DED, come la potenza del laser, la velocità di avanzamento, la velocità di scansione e la distanza di tratteggio. Il sistema genera diverse combinazioni di questi parametri e ne valuta l’efficacia attraverso modelli predittivi basati su machine learning. Il processo viene ripetuto iterativamente, con l’obiettivo di individuare la configurazione ottimale.
La struttura algoritmica si ispira ai principi dell’evoluzione naturale: le soluzioni più efficaci vengono mantenute e combinate in nuove generazioni, fino a raggiungere un insieme di parametri che soddisfa i criteri definiti.
Secondo Xiao Shang, dottorando e primo autore dello studio, AIDED è in grado di individuare le impostazioni ottimali in meno di un’ora, adattandosi anche a materiali con caratteristiche diverse.
Applicazioni in ambiti ad alta specializzazione
Il sistema è pensato per rispondere alle esigenze di settori in cui la qualità e la precisione della stampa 3D rivestono un ruolo critico. Ogni materiale richiede condizioni operative specifiche: ad esempio, il titanio utilizzato in ambito aerospaziale o l’acciaio inossidabile destinato ai reattori nucleari necessitano di configurazioni diverse in termini di temperatura e distribuzione del calore.
L’approccio tradizionale, basato su sperimentazioni ripetute, comporta costi elevati e tempi lunghi. Il framework AIDED propone una metodologia che punta a superare questi limiti, fornendo impostazioni ottimizzate a partire da set di dati sperimentali costruiti con numerosi test pratici. Questi dati costituiscono la base per l’addestramento dei modelli ML utilizzati dal sistema.
Verso una stampa 3D autonoma e adattiva
Il gruppo di ricerca sta sviluppando ulteriormente il framework con l’obiettivo di creare un sistema di stampa autonomo e in grado di autoregolarsi, simile ai meccanismi di controllo presenti nei veicoli a guida automatica. In futuro, il sistema dovrebbe essere in grado di identificare in tempo reale eventuali errori durante il processo di stampa, correggerli e regolare automaticamente i parametri di produzione.
Il professor Yu Zou, coordinatore del progetto, sottolinea che una piattaforma di questo tipo potrà gestire materiali e geometrie differenti in maniera flessibile, contribuendo a rendere più efficienti i processi produttivi nei settori aerospaziale, automobilistico, medicale e nucleare.
