Euler porta l’analisi AI dentro il controllo qualità della stampa 3D in metallo
La startup Euler, con sede a Hafnarfjörður, in Islanda, propone una piattaforma software per il monitoraggio dei processi di stampa 3D in metallo che punta a usare in modo più sistematico un patrimonio di dati già presente in molte macchine LPBF: le immagini acquisite strato dopo strato durante la costruzione. Il cuore della proposta non è aggiungere nuova sensoristica, ma trasformare le immagini di processo in uno strumento operativo per prevenire difetti, ridurre build fallite e migliorare la ripetibilità produttiva. Euler si presenta inoltre come spinout della Technical University of Denmark, con un posizionamento molto chiaro: intervenire sul passaggio dall’AM come prototipazione all’AM come produzione industriale.
Il problema che Euler cerca di risolvere: tanti dati, poca capacità di interpretarli in modo utile
Nella stampa 3D metallica a letto di polvere, soprattutto nei sistemi LPBF, ogni pezzo deve rispettare criteri di qualità più severi rispetto al mondo del semplice prototipo. Le macchine raccolgono già un grande numero di immagini e dati di processo, ma spesso queste informazioni vengono consultate solo a posteriori oppure restano sottoutilizzate. L’idea di Euler è intervenire proprio qui: analizzare in tempo reale le immagini layer-by-layer, evidenziare anomalie e dare agli operatori un quadro leggibile del processo senza costringerli a esaminare manualmente migliaia di immagini per ogni job.
Una piattaforma che non si limita a segnalare il difetto, ma prova a prevederlo
La piattaforma di Euler non si ferma all’ispezione visiva del layer corrente. Il sistema usa modelli di machine learning addestrati su migliaia di lavori precedenti per stimare come potrebbe evolvere il processo nei layer successivi. In pratica, oltre a rilevare difetti già presenti, cerca di prevedere quando una build si sta spostando verso una condizione critica, così da consentire all’operatore di intervenire o interrompere il lavoro prima di consumare altro tempo macchina e altra polvere metallica. È questa componente predittiva che distingue la proposta di Euler da una semplice interfaccia di visualizzazione.
Il vantaggio competitivo: usare le camere già installate, senza hardware aggiuntivo
Uno degli elementi più rilevanti della proposta di Euler è l’approccio software-only. La piattaforma sfrutta i sistemi ottici già presenti sulle macchine L-PBF e, nei casi supportati, anche su impianti SLS, evitando l’adozione di strumentazione di monitoraggio dedicata. Questo riduce la complessità di onboarding e abbassa la soglia di ingresso per le aziende che vogliono implementare un controllo in-process più avanzato. Euler sostiene inoltre che la configurazione richieda pochi minuti e che la piattaforma sia accessibile via browser, in cloud o on-prem, con funzioni di alerting e consultazione anche da remoto.
Difetti monitorati, allarmi e report: cosa fa concretamente il software
Dalle informazioni diffuse pubblicamente emerge una piattaforma organizzata attorno a viewer layer-by-layer, heatmap dei difetti, grafici di frequenza, stato dei layer, alert e report finali. I difetti monitorati comprendono fenomeni come spatter, problemi di recoating, burn marks, streaking, smoke, warpage e distribuzione non adeguata della polvere. Euler aggiunge funzioni collaborative come commenti, tagging e storicizzazione delle decisioni, così che il controllo qualità non resti un’attività individuale ma entri nel flusso di lavoro del reparto. Questo dettaglio è importante perché il collo di bottiglia, in molti casi, non è solo il rilevamento dell’anomalia, ma la sua gestione coordinata fra operatori, tecnologi e responsabili qualità.
Il collegamento con Autodesk Fusion sposta il monitoraggio più vicino alla progettazione
Una parte importante della strategia di Euler passa dall’integrazione con Autodesk Fusion. La disponibilità dei dati di processo direttamente dentro l’ambiente CAD/CAM consente di collegare monitoraggio di stampa, file di progetto e iterazione del componente in un’unica catena digitale. Questo passaggio è rilevante perché rende più diretto il dialogo tra progettazione e produzione: i difetti osservati in macchina possono essere letti anche come segnali di limiti geometrici, orientamento errato, strategia di costruzione da rivedere o criticità della parte che emergono solo in fase di build. In questo senso, Euler non si propone soltanto come strumento di QA, ma come ponte tra officina additiva e ufficio tecnico.
I primi riferimenti industriali e il ruolo di DTI, KMWE, Alloyed, Seco e Renishaw
Il materiale pubblico disponibile mostra che Euler ha già costruito una narrazione industriale attorno a clienti e partner riconoscibili. Sul sito ufficiale compaiono testimonianze di KMWE, Seco e DTI; nella comunicazione finanziaria vengono citati tra i clienti anche Alloyed, oltre a organizzazioni di ricerca come il Danish Technological Institute e il Korea Institute of Industrial Technology. Autodesk riferisce di aver testato la soluzione su una Renishaw RenAM 500Q nel proprio Boston Technology Center, riportando un caso in cui l’analisi degli spatter ha portato a individuare un difetto hardware della macchina. Questi riferimenti non equivalgono da soli a una validazione universale, ma indicano che il software è stato già inserito in contesti produttivi e dimostrativi non marginali.
Il nodo economico: meno build fallite, più disponibilità macchina
Il tema economico è centrale nel posizionamento di Euler. Nella comunicazione legata al round annunciato da Frumtak Ventures e Kvanted, l’azienda richiama un whitepaper svolto con DTI secondo cui l’uso della piattaforma avrebbe portato a una riduzione del 77% del tempo speso su build fallite, con un potenziale risparmio superiore a 100 mila dollari l’anno per macchina e un incremento di oltre il 20% del fatturato grazie al miglioramento dell’overall equipment effectiveness. Sono numeri che vanno letti come dati promozionali collegati a casi d’uso specifici, ma aiutano a capire come Euler voglia vendere il proprio prodotto: non come software di visualizzazione, bensì come leva per aumentare resa economica, disponibilità impianto e affidabilità del processo.
Un mercato già presidiato, ma con approcci diversi
Euler entra in uno spazio competitivo dove sono presenti anche altri attori del monitoraggio in-process. Tra questi figurano Phase3D con la piattaforma Fringe e Velo3D con Assure. La differenza su cui Euler insiste è l’uso delle immagini di layer già disponibili sulla macchina, unite ad analisi AI e confronto sistematico fra build e fra macchine, senza dover introdurre necessariamente nuova strumentazione. In parallelo, l’azienda ha annunciato partnership ufficiali con Autodesk e Scanlab, segnale che la costruzione dell’ecosistema sarà uno degli elementi decisivi per la sua crescita.
Dalla visualizzazione gratuita alla piattaforma predittiva
Accanto alla piattaforma principale, Euler ha avviato anche una strategia di ingresso più leggera con strumenti di sola visualizzazione. L’azienda propone un tool gratuito per consultare le immagini di layer in modo semplice e anche da remoto, mentre i contenuti più recenti sul suo ecosistema mostrano il ruolo del viewer come porta d’accesso a funzioni più avanzate di monitoraggio predittivo, alert, analisi statistica e reporting automatico. Questa impostazione è coerente con un modello commerciale SaaS: prima si rende accessibile il dato, poi si monetizza la sua interpretazione automatica e il suo impatto sul processo.
Perché questa piattaforma conta per il settore metal AM
Il punto più interessante non è solo che Euler analizzi immagini, ma che cerchi di trasformare un archivio poco sfruttato in un linguaggio operativo per officina, qualità e progettazione. In un settore dove il costo del fallimento può essere alto per materiali, ore macchina e ritardi di consegna, soluzioni come quella di Euler, insieme a quelle di Autodesk, Renishaw, DTI, Phase3D, Velo3D e altri operatori dell’AM industriale, indicano una direzione precisa: la qualità non viene più verificata soltanto a fine processo, ma tende a essere costruita durante la stampa e letta come un flusso continuo di dati. La partita si giocherà sulla robustezza degli algoritmi, sulla compatibilità con macchine diverse e sulla capacità di dimostrare benefici economici ripetibili, non solo casi promettenti.
