L’University of Bath ha depositato un brevetto che descrive un sistema capace di affrontare in modo automatico alcune delle operazioni più delicate nella stampa 3D a estrusione: riconoscere il materiale caricato nella macchina, stimarne le proprietà, determinare parametri di processo adatti e controllare ciò che viene realmente depositato durante la fabbricazione.
La proposta va oltre la classica automazione del livellamento del piano o della calibrazione dell’ugello. L’obiettivo è fare in modo che la stampante possa ricavare informazioni direttamente dal materiale, anziché dipendere esclusivamente da un profilo selezionato dall’operatore o fornito dal produttore del filamento.
Il documento, identificato dalla pubblicazione internazionale WO2025068712A1 e intitolato “3D Printing”, è stato depositato il 27 settembre 2024 e pubblicato il 3 aprile 2025. Il richiedente è l’University of Bath, mentre tra gli inventori figurano Hannah Leese, Bernardo Castro Dominguez, Jasmine Lightfoot, Arya Shabani e Uriel Martinez Hernandez.
Il brevetto copre più aspetti della produzione additiva e non corrisponde a una stampante disponibile commercialmente. Descrive però una possibile architettura nella quale spettroscopia, machine learning, visione artificiale e controllo automatico vengono combinati per ridurre il lavoro necessario quando si utilizza un materiale sconosciuto o con caratteristiche non perfettamente note.
Il problema dei profili nella stampa FFF
Nella stampa 3D FFF, indicata anche come FDM nel linguaggio commerciale, conoscere il materiale utilizzato è essenziale.
PLA, PETG, ABS, TPU e tecnopolimeri richiedono temperature e condizioni differenti. All’interno della stessa famiglia di materiali possono inoltre esistere variazioni rilevanti dovute alla formulazione del produttore.
Un PLA standard non si comporta necessariamente nello stesso modo di un PLA caricato con fibre, pigmenti, particelle minerali o altri additivi. Cambiamenti nella composizione possono influenzare viscosità, temperatura di fusione, adesione tra gli strati, restringimento, portata richiesta e comportamento durante il raffreddamento.
Per questo motivo i produttori di stampanti e materiali costruiscono grandi librerie di profili.
Un profilo può contenere la temperatura dell’ugello, la temperatura del piano, la portata, la velocità, l’accelerazione, la ventilazione, le impostazioni di retrazione e numerosi altri parametri.
Questo sistema funziona bene finché il materiale utilizzato corrisponde a quello previsto dal profilo.
Il problema emerge quando viene introdotto un filamento non presente nella libreria, una formulazione sperimentale oppure un materiale riciclato la cui composizione può variare.
In queste situazioni l’operatore deve spesso eseguire prove successive, modificando temperatura e portata fino a ottenere una combinazione soddisfacente.
Il brevetto dell’University of Bath propone di spostare una parte di questo processo di caratterizzazione direttamente all’interno della macchina.
La stampante analizza il materiale
Il primo elemento della tecnologia riguarda la spettroscopia vibrazionale.
Il sistema acquisisce informazioni spettroscopiche dal materiale destinato alla stampa. Il brevetto considera in particolare l’impiego della spettroscopia infrarossa, ma contempla differenti tecniche attraverso le quali sia possibile ottenere informazioni sulla struttura e sulle proprietà del materiale.
L’idea è utilizzare lo spettro come una sorta di impronta.
Quando una sostanza viene analizzata mediante radiazione infrarossa, le sue molecole interagiscono con specifiche lunghezze d’onda in funzione della propria struttura chimica e dei legami molecolari presenti.
Due polimeri differenti producono quindi risposte differenti.
Anche alcune variazioni nella formulazione dello stesso materiale possono determinare cambiamenti misurabili nello spettro.
La stampante potrebbe utilizzare queste informazioni prima di iniziare la produzione per stabilire quale materiale sia stato caricato.
Dal sensore al machine learning
Lo spettro acquisito dal sensore non viene interpretato attraverso una semplice tabella.
I dati vengono forniti a un modello di machine learning addestrato utilizzando campioni dei quali sono conosciute composizione e proprietà.
Il modello può essere configurato per svolgere almeno due compiti.
Il primo consiste nell’identificare il materiale.
La macchina potrebbe quindi determinare se il filamento appartenga a una determinata famiglia polimerica o riconoscere una specifica classe di materiale.
Il secondo compito è ancora più interessante: stimare alcune proprietà termofisiche.
Il brevetto indica, tra gli esempi, parametri come la temperatura di transizione vetrosa, la temperatura di fusione e la densità.
Questo significa che il sistema non deve necessariamente conoscere in anticipo il nome commerciale della bobina.
In linea teorica potrebbe utilizzare ciò che misura per stabilire come il materiale dovrebbe essere trattato.
Una differenza importante rispetto ai chip sulle bobine
Alcuni ecosistemi di stampa 3D utilizzano RFID, NFC o altri sistemi di identificazione incorporati nella bobina.
Questi dispositivi permettono alla stampante di sapere quale materiale è stato inserito e di caricare automaticamente il profilo corrispondente.
È una soluzione efficace, ma funziona in maniera differente rispetto a quella descritta dall’University of Bath.
Un RFID comunica alla macchina un’identità precedentemente registrata.
La spettroscopia cerca invece di misurare il materiale stesso.
Se una bobina contiene un materiale differente da quello indicato sull’etichetta, il sistema RFID non può scoprirlo autonomamente. Un sistema di caratterizzazione diretta, almeno in linea teorica, potrebbe invece rilevare che le proprietà osservate non coincidono con quelle previste.
La differenza diventa importante con materiali riciclati, formulazioni sperimentali o feedstock provenienti da fornitori differenti.
Dalle proprietà ai parametri della stampante
Una volta identificato il materiale o stimate le sue proprietà, il sistema deve trasformare queste informazioni in impostazioni utilizzabili dalla macchina.
Il brevetto prevede quindi una fase nella quale vengono determinati automaticamente uno o più parametri del processo di stampa.
Per una macchina FFF possono entrare in gioco temperatura dell’ugello, temperatura del piano, velocità di stampa, portata del materiale, altezza dello strato e altre variabili che influenzano la deposizione.
Un materiale con una temperatura di fusione differente richiederà condizioni differenti.
Lo stesso vale per un polimero che presenta una viscosità superiore o una finestra termica più ristretta.
La macchina potrebbe quindi partire dai dati ottenuti attraverso il sensore e generare una configurazione adatta al materiale effettivamente rilevato.
Il concetto elimina almeno in parte la necessità che un operatore conosca già la formulazione caricata.
L’University of Bath ha già sperimentato il riconoscimento dei filamenti
La tecnologia descritta dal brevetto è collegata a una serie di lavori di ricerca condotti all’University of Bath sulla caratterizzazione automatica dei materiali.
Uno degli studi ha analizzato il riconoscimento dei filamenti attraverso un sensore spettroscopico multispettrale abbinato a differenti modelli di machine learning.
Gli esperimenti hanno utilizzato un modulo AS7265x, una piattaforma multispettrale realizzata con sensori della società ams OSRAM.
Il modulo è composto dai dispositivi AS72651, AS72652 e AS72653 ed è in grado di raccogliere dati su 18 bande spettrali distribuite tra luce visibile e vicino infrarosso.
I ricercatori hanno utilizzato campioni appartenenti a diverse categorie di filamento, tra cui PLA, TPU, TPC, ABS e materiali contenenti fibra di carbonio.
I dati sono stati acquisiti a diverse distanze dal sensore e successivamente elaborati utilizzando differenti algoritmi.
Un’accuratezza del 98,95% nei test di riconoscimento
Tra gli algoritmi sperimentati dall’University of Bath figuravano k-Nearest Neighbors, regressione logistica, Support Vector Machine e Multi-Layer Perceptron.
La combinazione che ha ottenuto il risultato migliore ha utilizzato i dati del sensore AS72651 insieme a un modello Support Vector Machine.
Con una distanza di misura di 20 millimetri, lo studio ha riportato un’accuratezza di classificazione del 98,95%.
Il risultato non significa che una futura stampante possa riconoscere con la stessa precisione qualsiasi materiale disponibile sul mercato.
L’accuratezza si riferisce ai materiali e alle condizioni comprese nell’esperimento.
Mostra però che un piccolo sistema di rilevamento multispettrale può fornire dati sufficientemente distintivi per separare differenti tipi di filamento attraverso algoritmi di classificazione.
Il coinvolgimento di ams OSRAM riguarda in questo caso la tecnologia dei sensori utilizzati nello studio. L’azienda non risulta indicata come titolare del brevetto: la domanda internazionale appartiene all’University of Bath.
L’interesse per i materiali riciclati
Uno degli scenari nei quali questa tecnologia potrebbe risultare particolarmente utile è l’impiego di materiale riciclato.
Le proprietà di un materiale vergine prodotto secondo specifiche industriali definite possono essere mantenute entro intervalli relativamente controllati.
Con un polimero riciclato la situazione può diventare più complessa.
La materia prima può provenire da più sorgenti, essere stata sottoposta a precedenti cicli termici o contenere percentuali differenti di additivi e contaminanti.
Anche il processo di riciclo può modificare peso molecolare, viscosità e altre proprietà.
Applicare automaticamente lo stesso profilo a tutti i lotti può quindi produrre risultati differenti.
Un sistema capace di analizzare il materiale prima della stampa potrebbe fornire alla macchina informazioni aggiuntive e consentire una regolazione più adatta al lotto effettivamente caricato.
Una possibile applicazione anche ai nuovi materiali
La stessa tecnologia potrebbe essere interessante per chi sviluppa compound.
Le aziende produttrici di materiali per la stampa 3D devono eseguire numerosi test quando preparano nuove formulazioni.
Una variazione nella quantità di fibra di carbonio, fibra di vetro, plastificante o pigmento può modificare il comportamento del polimero.
Integrare tecniche di caratterizzazione con il controllo della macchina potrebbe rendere più rapida la fase di individuazione dei parametri.
Anche i laboratori universitari potrebbero utilizzare un sistema simile con polimeri sperimentali per i quali non esiste alcun profilo commerciale.
In questo senso, il brevetto dell’University of Bath è particolarmente interessante per gli ecosistemi di materiali aperti.
La macchina non si limita a scegliere i parametri iniziali
Una delle parti più significative del brevetto riguarda il controllo durante la stampa.
Determinare correttamente la temperatura dell’ugello prima di iniziare non garantisce infatti che il materiale venga depositato in modo corretto per tutta la durata del lavoro.
La portata reale può cambiare.
La viscosità può variare con la temperatura.
La distanza tra ugello e pezzo può produrre differenze nella geometria della traccia.
Anche piccoli cambiamenti della velocità possono influenzare larghezza e altezza del materiale depositato.
Per questo motivo il documento descrive anche un sistema capace di misurare direttamente l’estrusione.
Una telecamera osserva il cordone depositato
Il principio prevede l’impiego di una telecamera che osserva il materiale mentre viene stampato.
Algoritmi di visione artificiale individuano la traccia estrusa e ne misurano la geometria.
Un parametro particolarmente importante è la larghezza della linea.
In una macchina FFF, il software impartisce una determinata quantità di estrusione, ma il valore comandato non garantisce automaticamente che il cordone reale abbia le dimensioni desiderate.
Se il materiale viene estruso in quantità insufficiente, la linea può risultare troppo stretta.
Se il flusso è eccessivo, può diventare troppo larga.
Temperatura, velocità, diametro dell’ugello, altezza di stampa e caratteristiche reologiche contribuiscono tutte al risultato finale.
Misurare direttamente ciò che esce dall’ugello permette quindi di controllare una conseguenza fisica del processo anziché limitarsi a verificare il comando inviato al motore dell’estrusore.
Il controllo visivo è già stato sperimentato a Bath
Arya Shabani e Uriel Martinez-Hernandez dell’University of Bath hanno sviluppato un sistema sperimentale dedicato proprio alla misurazione in situ della larghezza dell’estrusione.
La configurazione utilizza una telecamera installata su una stampante convenzionale mediante una struttura dedicata.
Le immagini vengono analizzate attraverso un processo composto da segmentazione e localizzazione.
Sono state esaminate differenti tecniche di elaborazione, comprese soluzioni basate su reti neurali.
La configurazione più efficace ha combinato una rete convoluzionale per la segmentazione con un rilevatore YOLO per individuare la regione da misurare.
Il sistema ha dimostrato di poter analizzare cordoni con dimensioni inferiori al millimetro.
La precisione riportata è di circa 90 micrometri, con un tempo di elaborazione di circa 125 millisecondi per misurazione.
Questi valori mostrano che il controllo della geometria del filamento depositato può avvenire con una frequenza sufficientemente elevata da essere presa in considerazione per applicazioni di monitoraggio durante la produzione.
Verso una stampa ad anello chiuso
È proprio l’unione tra misurazione e correzione automatica a cambiare il significato del sistema.
Una normale stampante FFF lavora in larga parte in modalità open loop.
Il software ordina all’estrusore di avanzare di una determinata quantità e presume che quella quantità abbia generato la geometria prevista.
Non misura continuamente la larghezza del cordone per verificare il risultato.
Con un sistema ad anello chiuso la logica cambia.
La stampante deposita il materiale, misura ciò che ha ottenuto, confronta il risultato con il valore desiderato e può correggere i parametri.
Se la linea è troppo sottile, potrebbe aumentare la portata o modificare la velocità.
Se è troppo larga, potrebbe ridurre l’estrusione.
A seconda dell’implementazione potrebbero essere modificate anche temperatura o altre impostazioni.
La stampante diventa quindi un sistema capace di reagire al processo reale.
Riconoscimento del materiale e controllo della stampa possono lavorare insieme
Considerando le diverse parti del brevetto come un unico sistema emerge un flusso operativo piuttosto chiaro.
Il materiale viene caricato nella macchina.
Un sensore raccoglie informazioni spettroscopiche.
Un modello di machine learning determina l’identità del materiale o ne stima le proprietà.
Il sistema stabilisce quindi i parametri iniziali.
La stampa viene avviata.
Una telecamera osserva il materiale estruso e ne misura la geometria.
Se il comportamento reale non coincide con quello previsto, il controller modifica le impostazioni.
La macchina potrebbe quindi compensare non solo un materiale sconosciuto, ma anche eventuali differenze che emergono durante il processo.
Il brevetto considera anche differenti tecnologie additive
La domanda dell’University of Bath non si limita all’FFF.
Il documento comprende anche configurazioni nelle quali una stessa piattaforma può utilizzare modalità di deposizione differenti, comprese tecniche elettroidrodinamiche.
Tra queste rientrano processi legati all’electrospinning e all’electrospraying.
Nel caso dell’electrospinning, un campo elettrico viene utilizzato per produrre fibre molto sottili a partire da un materiale.
La scala delle fibre ottenibili può essere molto inferiore a quella raggiunta con una normale estrusione FFF.
Una piattaforma multimodale potrebbe quindi utilizzare l’estrusione convenzionale per creare la struttura principale di un componente e una modalità elettroidrodinamica per depositare elementi di dimensioni inferiori.
Questo tipo di combinazione può assumere particolare interesse nelle applicazioni biomediche.
Il collegamento con BioMed 4.0
Alcune delle attività di ricerca che hanno portato alle tecnologie descritte sono state sviluppate nell’ambito del progetto Manufacturing in Hospital: BioMed 4.0.
Il programma ha coinvolto l’University of Bath e gruppi di ricerca provenienti da diversi settori dell’ingegneria e della bioingegneria.
Il finanziamento è stato fornito dall’Engineering and Physical Sciences Research Council, EPSRC.
Il progetto ha studiato tecnologie di produzione avanzata con particolare attenzione alla possibilità di realizzare componenti e dispositivi in contesti sanitari.
In un ambiente di questo tipo, la riduzione della dipendenza dalla regolazione manuale può assumere un valore ancora maggiore.
Una macchina destinata a lavorare all’interno di un ospedale o di un laboratorio non può necessariamente presupporre che ogni operatore sia uno specialista nella calibrazione di processi additivi.
Automatizzare non significa eliminare completamente la validazione
Un sistema capace di scegliere autonomamente i parametri non elimina però la necessità di validazione, soprattutto nelle applicazioni industriali, aerospaziali o medicali.
Riconoscere correttamente un materiale non significa automaticamente garantire le prestazioni del componente prodotto.
La resistenza meccanica finale dipende anche dalla geometria, dall’orientamento degli strati, dalla percentuale di riempimento, dalle condizioni ambientali e dalla storia termica del pezzo.
Per applicazioni regolamentate serviranno comunque procedure di qualificazione e controllo.
L’automazione proposta dall’University of Bath potrebbe invece ridurre il lavoro necessario per arrivare a condizioni di processo appropriate e fornire informazioni aggiuntive durante la produzione.
Il costo dei sensori sarà un elemento decisivo
La fattibilità commerciale dipenderà anche dalla tecnologia utilizzata per analizzare il materiale.
Sensori multispettrali compatti come quelli prodotti da ams OSRAM possono essere integrati con costi e dimensioni compatibili con molte piattaforme.
Soluzioni spettroscopiche più sofisticate, come alcuni sistemi FTIR o Raman, possono invece aumentare sensibilmente costo, volume e complessità.
Occorrerà quindi trovare un equilibrio tra quantità di informazioni raccolte e prezzo dell’hardware.
Per una stampante desktop potrebbe essere sufficiente riconoscere alcune famiglie di materiale.
Una macchina industriale potrebbe invece giustificare un sistema di caratterizzazione più avanzato capace di stimare proprietà quantitative.
Anche l’addestramento dell’AI presenta delle difficoltà
Un modello di machine learning funziona in base ai dati utilizzati durante l’addestramento.
Se viene esposto a PLA, ABS e TPU, può imparare a distinguere queste categorie.
Ma un materiale completamente nuovo o una formulazione molto diversa potrebbe produrre dati fuori dall’intervallo conosciuto.
Una futura implementazione industriale dovrebbe quindi essere in grado non soltanto di fornire una risposta, ma anche di valutare la propria incertezza.
In alcuni casi la decisione corretta potrebbe essere indicare che il materiale non è riconosciuto con sufficiente affidabilità.
Questo aspetto è particolarmente importante quando il sistema utilizza automaticamente la previsione per stabilire temperature elevate.
La calibrazione dei sensori deve restare stabile
Un secondo problema riguarda l’ambiente all’interno della stampante.
Polvere, variazioni della luce, pigmenti, finitura superficiale del filamento e distanza dal sensore possono influenzare alcune misurazioni ottiche.
La ricerca dell’University of Bath ha infatti valutato differenti distanze di acquisizione.
In un prodotto commerciale la posizione del sensore dovrebbe essere controllata con precisione.
Potrebbe essere necessario anche effettuare calibrazioni periodiche o utilizzare riferimenti interni.
Il vantaggio dell’automazione dipenderà quindi dalla capacità del sistema di funzionare in maniera stabile senza introdurre nuove operazioni di manutenzione troppo complesse.
Non è ancora l’annuncio di una nuova stampante
È importante distinguere il brevetto da un prodotto.
L’University of Bath non ha presentato con questo documento una macchina commerciale equipaggiata con tutte le tecnologie descritte.
Una domanda di brevetto serve a proteggere principi tecnici e possibili implementazioni.
Tra la pubblicazione di un brevetto e l’arrivo di un prodotto sul mercato possono esserci ulteriori fasi di sviluppo oppure la tecnologia può essere concessa in licenza.
L’University of Bath potrebbe quindi sviluppare ulteriormente il sistema internamente oppure collaborare in futuro con produttori di hardware.
Al momento il brevetto risulta attribuito all’University of Bath e non identifica un produttore di stampanti 3D come titolare industriale della tecnologia.
Un possibile cambiamento nel concetto di profilo materiale
Il punto più interessante della proposta riguarda il modo in cui una stampante determina ciò che deve fare.
Oggi il processo parte generalmente dall’identità dichiarata del materiale.
L’utente seleziona PLA, PETG, ABS o una specifica marca e il software carica parametri già definiti.
Nel sistema proposto dall’University of Bath il percorso potrebbe essere invertito.
La macchina misura prima il materiale.
Dalle misurazioni ricava proprietà.
Dalle proprietà determina le impostazioni.
Dalla stampa reale acquisisce ulteriori dati.
E sulla base di questi dati modifica nuovamente il processo.
Invece di eseguire un profilo fisso, la stampante lavorerebbe quindi con un modello adattivo.
Un interesse particolare per gli ecosistemi aperti
Per i produttori che consentono l’utilizzo di materiali di terze parti, questa impostazione potrebbe essere utile.
Supportare centinaia di filamenti significa oggi creare, aggiornare e verificare un numero elevato di profili.
I produttori di materiali devono inoltre fornire valori consigliati e adattarli alle differenti macchine disponibili.
Se una parte della caratterizzazione potesse essere effettuata automaticamente dalla stampante, la dipendenza da queste librerie potrebbe diminuire.
Non scomparirebbero necessariamente i profili.
Potrebbero diventare un punto di partenza, successivamente corretto sulla base delle proprietà osservate.
Una stampante che verifica il proprio lavoro
L’aspetto più significativo del brevetto non consiste quindi in un singolo nuovo sensore.
È la combinazione tra percezione e controllo.
La macchina può osservare ciò che le viene fornito e ciò che produce.
Prima della stampa analizza il materiale.
Durante la stampa misura l’estrusione.
Il software utilizza entrambe le informazioni per prendere decisioni.
È una direzione differente rispetto alla semplice aggiunta di preset e funzioni automatiche all’interfaccia.
L’obiettivo è trasformare una parte della stampa 3D da processo basato su impostazioni definite in anticipo a processo capace di adattarsi alle condizioni misurate.
Per arrivare a una soluzione commerciale serviranno hardware affidabile, dataset molto più ampi, procedure di calibrazione robuste e un’integrazione software capace di gestire anche materiali non conosciuti.
La ricerca dell’University of Bath dimostra però che diversi elementi necessari sono già stati testati separatamente: identificazione multispettrale dei filamenti, classificazione attraverso machine learning e misura della geometria dell’estrusione mediante visione artificiale.
Il brevetto WO2025068712A1 riunisce questi concetti all’interno di una piattaforma nella quale la stampante non riceve soltanto istruzioni, ma raccoglie dati sul materiale e sul processo per determinare autonomamente come procedere.
Se questa impostazione verrà trasferita su macchine commerciali, uno dei risultati potrebbe essere una riduzione del numero di prove richieste quando si introduce un nuovo filamento, con benefici soprattutto per materiali riciclati, formulazioni sperimentali e sistemi aperti.
Il passaggio decisivo non sarebbe quindi una stampante che possiede più profili, ma una stampante capace di capire meglio il materiale che ha davanti e verificare se ciò che sta depositando corrisponde effettivamente a quanto previsto.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
