Intelligenza artificiale al servizio della stampa 3D: monitoraggio avanzato per componenti metallici di alta qualità
Ricercatori della Carnegie Mellon University hanno sviluppato un innovativo metodo basato sull’intelligenza artificiale per il monitoraggio in tempo reale del processo di stampa 3D di componenti metallici. La tecnologia, che si avvale di sensori a basso costo per le emissioni sonore e termiche, rappresenta un passo avanti significativo rispetto ai costosi sistemi basati su telecamere ad alta velocità tradizionalmente impiegati.
Un monitoraggio intelligente per componenti impeccabili
Il sistema sfrutta il deep learning per analizzare i dati acustici e termici, ricavandone informazioni cruciali sui parametri critici del processo di stampa. Questa capacità permette di identificare tempestivamente difetti dovuti a una fusione insufficiente della polvere, che possono compromettere seriamente le proprietà meccaniche del componente finale.
“Il nostro metodo consente un monitoraggio del processo economicamente vantaggioso per qualsiasi stampante 3D per metalli attraverso l’uso di semplici sensori”, sottolinea il professor Jack Beuth, evidenziando il vantaggio principale della tecnologia: la sua accessibilità e la sua applicabilità a qualsiasi sistema di stampa 3D.
Ricostruzione virtuale del processo di fusione
La ricostruzione di video della pozza di fusione basata su dati acustici e termici rappresenta una novità assoluta nel campo della produzione additiva. Questa tecnica innovativa permette di visualizzare in tempo reale il processo di fusione, fornendo informazioni preziose per il controllo della qualità e l’ottimizzazione dei parametri di stampa.
Svelare i segreti della fusione laser
Il gruppo di ricerca intende approfondire ulteriormente le connessioni tra i vari segnali acustici e termici registrati durante il processo di stampa. “Sebbene le interazioni tra suono, calore e pozza di fusione siano note, non comprendiamo ancora appieno le loro esatte relazioni”, afferma il professor Levent Burak Kara. Il modello di deep learning sviluppato dai ricercatori collega già questi fenomeni in modo basato sui dati, ma ulteriori studi sono necessari per una comprensione più completa delle relazioni fisiche sottostanti.
Verso modelli predittivi avanzati
Secondo il professor Anthony Rollett, “i comportamenti acustici forniscono informazioni cruciali sulle interazioni laser-materiale che sono molto più rivelatrici di quanto si pensasse in precedenza.” I ricercatori puntano a sfruttare queste informazioni per sviluppare modelli predittivi avanzati in grado di anticipare potenziali difetti e ottimizzare il processo di stampa in modo ancora più efficace.
L’obiettivo finale è la creazione di “gemelli digitali” per la produzione additiva, ovvero modelli virtuali in grado di replicare fedelmente il comportamento di stampanti 3D reali. Questi modelli consentiranno di simulare e ottimizzare il processo di stampa in modo virtuale, prima di procedere alla stampa fisica, riducendo al minimo gli sprechi e migliorando ulteriormente la qualità dei componenti finali.
La tecnologia sviluppata dalla Carnegie Mellon University rappresenta un passo avanti significativo nel campo della stampa 3D di metalli, offrendo nuove possibilità per il monitoraggio e il controllo del processo di stampa, con l’obiettivo di ottenere componenti metallici di qualità sempre più elevata.
