UTA sviluppa una qualità “by design” per i metamateriali stampati in 3D con sensori e AI

Obiettivo e contesto della ricerca UTA
La University of Texas at Arlington (UTA) sta portando avanti un programma quinquennale per monitorare e ottimizzare la manifattura additiva di metamateriali tramite sensori in-process e algoritmi di machine learning. Il progetto, guidato da Chen Kan (Dipartimento IMSE), è sostenuto da un NSF CAREER Award da 500.000 $ e punta a distinguere i difetti che compromettono davvero le prestazioni da quelli tollerabili, così da ridurre scarti e decisioni conservative.  

Perché i metamateriali richiedono un controllo dedicato
Nei metamateriali le proprietà emergono dalla geometria delle celle unitarie: piccole deviazioni dimensionali o difetti topologici possono alterare risposta meccanica, vibro-acustica o funzionale. Per applicazioni in aerospazio e healthcare, la qualità non può limitarsi alla chimica/lega ma deve certificare la forma realizzata. In letteratura l’AI è già impiegata per progettazione e valutazione di metamateriali, confermando la necessità di metriche e pipeline specifiche per difetto→prestazione.  

Approccio: sensori 3D, point cloud e apprendimento automatico
Il gruppo UTA ha sviluppato metodi in-situ basati su scanner/visione 3D che generano point cloud strato-per-strato, analizzati con reti e descrittori geometrici per individuare difetti online e supportare la certificazione del pezzo. Tra i risultati peer-reviewed:

• Rilevamento online di difetti geometrici in metamateriali meccanici (Journal of Manufacturing Systems, 2022).

• Rappresentazione ricorrente di geometrie 3D e deep one-class learning per controllo qualità (ASME J. Manufacturing Science & Engineering, 2023).

• Predizione del comportamento meccanico dai point cloud “as-built” (ASME JCISE, 2024), con co-autori tra cui Dassault Systèmes.
   

Cosa aggiunge rispetto alle soluzioni industriali
Esistono piattaforme commerciali di controllo qualità in AM (es. AM-Flow AM-QUALITY, EOS & Oqton Build Quality, Additive Assurance). Questi sistemi ottimizzano ispezione e tracciabilità di processo, ma sono in genere process-specific (spesso PBF metallica) e orientati al difetto di processo. L’approccio UTA è impostato per trasferirsi tra processi/materiali e collegare la gravità del difetto alla funzione del metamateriale, cioè al requisito finale.  Impatto atteso per PMI e settori regolati

Il programma prevede multi-sensorizzazione e modelli addestrabili/riutilizzabili, con l’obiettivo di abbassare il costo di qualifica per PMI e di accelerare la verifica in aerospazio e medicale. L’enfasi è sul legame tra imperfezioni stampate e prestazioni del componente, così da guidare decisioni di accettazione, riparazione o scarto.  

Cornice scientifica più ampia
Rassegne e studi indipendenti mostrano che l’AI è efficace per monitoraggio difetti e ottimizzazione qualità nella stampa 3D (anche oltre i metamateriali), con tendenze verso modelli generalizzabili, IoT e in-process control.