Il problema della ripetibilità in LPBF

La tecnologia di Laser Powder Bed Fusion (LPBF) è tra le più diffuse nell’additive manufacturing metallico, ma rimane complessa da controllare. La ripetibilità dei risultati – cioè la capacità di ottenere componenti con proprietà costanti in diverse sessioni di stampa – è ostacolata da numerose variabili: parametri laser, proprietà della polvere, condizioni ambientali e strategie di scansione. Questi fattori interagiscono in modi spesso poco prevedibili, generando differenze nella microstruttura e nelle prestazioni meccaniche dei pezzi.
 

La costruzione di un database senza precedenti

Un gruppo di ricercatori ha sviluppato un database con oltre 1,2 milioni di correlazioni tra parametri di processo, condizioni operative e risultati microstrutturali. L’obiettivo è fornire una base di conoscenze che consenta agli utenti di prevedere con maggiore precisione l’effetto delle impostazioni di stampa, riducendo così la necessità di lunghi cicli di test sperimentali.
Secondo gli autori, questa banca dati rappresenta uno strumento chiave per creare modelli predittivi basati su intelligenza artificiale e machine learning.
 

Come funziona il sistema di correlazioni

Il database raccoglie informazioni su:

• Potenza, velocità e diametro del laser;

• Spessore dello strato e caratteristiche della polvere metallica;

• Orientamento e strategie di scansione;

• Proprietà finali del materiale, come porosità, distribuzione dei grani e resistenza meccanica.

Attraverso un sistema di correlazioni incrociate, è possibile osservare come piccole variazioni in uno o più parametri influenzino l’esito finale della stampa. In questo modo, i ricercatori puntano a stabilire finestre operative ottimali per materiali e applicazioni specifiche.
 

Implicazioni per l’industria

Per il settore aerospaziale, biomedicale ed energetico, dove la qualificazione dei materiali è un requisito cruciale, l’adozione di un database strutturato potrebbe accelerare i processi di certificazione. La possibilità di prevedere e riprodurre in maniera affidabile le proprietà dei componenti è infatti un passo essenziale per l’integrazione più ampia della stampa 3D metallica nelle catene di produzione industriale.
 

Prospettive future: AI e digital twin

Gli autori immaginano che il database possa essere ulteriormente ampliato, diventando la base per veri e propri digital twin dei processi LPBF. Questi modelli virtuali potrebbero simulare in anticipo l’intero ciclo produttivo, individuando criticità e ottimizzazioni prima della stampa reale. L’integrazione con sistemi di machine learning promette inoltre di automatizzare parte della scelta dei parametri, riducendo tempi e costi di sviluppo.
 

Il progetto di costruzione di un database con 1,2 milioni di correlazioni per LPBF rappresenta un traguardo significativo verso una manifattura additiva più affidabile e prevedibile. Strumenti di questo tipo, se adottati su larga scala, potranno ridurre l’incertezza dei processi, velocizzare la qualifica dei componenti e aprire la strada a un impiego industriale sempre più esteso della stampa 3D metallica.

il database da 1,2 milioni di correlazioni è stato costruito da un consorzio di 32 istituzioni nell’ambito di uno studio interlaboratorio su tutta la catena LPBF, pubblicato su Advanced Engineering Materials (17 giugno 2025). Primo autore: Ihsan Murat Kuşoğlu; co-autori tra cui Prasanna V. Balachandran, Stephan Barcikowski, Johannes H. Schleifenbaum, Christopher Tuck, Brecht Van Hooreweder e molti altri. Il progetto è coordinato e finanziato dalla DFG (SPP 2122 “New Materials for Additive Manufacturing”); i dati saranno resi disponibili sull’archivio Duepublico (Università di Duisburg-Essen) dopo l’embargo.