Precisione Potenziata dall’IA per Trasformare la Stampa 3D Metallica a Laser

Nel mondo della stampa 3D o della manifattura additiva, la lavorazione dei metalli basata su laser è una tecnica popolare che consente la produzione automatizzata, precisa e rapida di componenti complessi.

La lavorazione dei metalli basata su laser prevede l’uso di un laser come fonte di energia per manipolare il metallo. Un laser è un fascio amplificato di luce o radiazione elettromagnetica che può propagarsi in linea retta con poca divergenza.

Ciò rende i laser estremamente utili nella lavorazione dei materiali, dove vengono impiegati per la lavorazione, l’unione e l’ingegneria di superficie. Nella manifattura additiva, i laser sono usati per fondere i materiali e fabbricare componenti strato per strato.

La manifattura additiva consiste semplicemente nella creazione di un prodotto strato per strato. È iniziata con l’uso di plastica come materiale, grazie alla facilità di lavorazione. Ma ora si è estesa a includere tutti i tipi di materiali, compresi i metalli.

I materiali metallici sono noti per le loro proprietà attraenti, come l’eccellente conduttività elettrica e l’alta resistenza, duttilità e punto di fusione, rendendoli molto utili in ambiti biomedicali, energetici, architettonici e militari.

La lavorazione dei metalli con laser, nel frattempo, offre vantaggi unici di alta densità energetica, una zona termicamente interessata ridotta e poca contaminazione. Per questo i processi laser sono utilizzati in numerosi settori, soprattutto dove sono richieste massima precisione e alta personalizzazione. Ma presenta proprie complicazioni e sfide tecniche.

“Per garantire che i processi basati su laser possano essere usati in modo flessibile e ottenere risultati coerenti, stiamo lavorando per una migliore comprensione, monitoraggio e controllo di questi processi.”

– Elia Iseli, responsabile del gruppo di ricerca nel laboratorio di Elaborazione Avanzata dei Materiali di Empa

Con questo obiettivo, i ricercatori Giulio Masinelli e Chang Rajani di Empa a Thun stanno rendendo le tecniche di produzione basate su laser più accessibili, economiche ed efficienti, utilizzando l’apprendimento automatico.

Comprendere i Vantaggi e le Sfide della Fusione a Letto di Polvere Laser (PBF-LB)

Nel più ampio campo della lavorazione dei metalli basata su laser, la Fusione a Letto di Polvere è una delle più popolari, poiché prevede l’uso di un laser per fondere sottili strati di polvere metallica nei punti esatti e saldarli tutti insieme per produrre il componente finale.

La Fusione a Letto di Polvere con Raggio Laser (PBF-LB), nel frattempo, è una tecnica specializzata che ha guadagnato molta attenzione negli ultimi anni. In questa importante tecnologia di manifattura additiva, i laser che emettono potenze molto elevate sono utilizzati per fondere specificamente le polveri metalliche strato per strato prima di combinarle in componenti personalizzati e altamente precisi.

Questa tecnica consente la produzione di geometrie complesse offrendo al contempo capacità di personalizzazione e garantendo l’efficienza del materiale.

Queste caratteristiche rendono PBF-LB particolarmente vantaggiosa per settori come l’automotive, il medicale, l’aerospaziale e i prodotti di consumo, dove sono necessari componenti leggeri e complessi, design personalizzati, precisione, riduzione del peso e prototipazione rapida, rispettivamente.

Pur essendo versatile ed efficiente, la tecnica incontra diversi ostacoli nel raggiungere una più ampia adozione e ottimizzazione.

Ciò include difficoltà nell’identificare il quadro di lavorazione ideale per la polvere metallica utilizzata.

“Anche un nuovo lotto della stessa polvere di partenza può richiedere impostazioni completamente diverse.”

– Masinelli

L’elevato apporto energetico necessario per la fusione del metallo in questa tecnica genera in realtà meccanismi fisici complessi che influiscono negativamente sulla qualità dei pezzi. Questi meccanismi includono incoerenze nelle proprietà del materiale, l’influenza dei gas atmosferici e l’interazione del laser con la pluma di vapore. Tutti questi fenomeni creano problemi nell’identificazione dei parametri.

Ciò è dovuto principalmente ai due modi. Uno è il modo di conduzione, in cui il metallo viene semplicemente fuso, ed è ideale per componenti sottili e precisi. L’altra opzione è il modo a foro chiave, in cui il metallo può essere vaporizzato in alcuni casi. È più veloce ma anche meno preciso, rendendolo adatto a componenti più spessi.

Il confine tra questi modi, tuttavia, dipende da diversi parametri, e ottenere la migliore qualità nei prodotti finali richiede le impostazioni corrette, che variano a seconda del materiale lavorato.

Le complesse interazioni tra il materiale e il laser rendono inoltre il processo sensibile a variazioni molto piccole, che possono portare a problemi nella produzione, rendendo la tecnica dispendiosa in termini di tempo e risorse. Di conseguenza, PBF-LB richiede una laboriosa messa a punto dei parametri per ottenere risultati coerenti.

Non finisce qui. I campioni prodotti in questa fase vengono poi analizzati con diverse tecniche come l’analisi microstrutturale, le misurazioni di densità e la tomografia computerizzata a raggi X (CT).

Questi metodi forniscono informazioni dettagliate sulle strutture interne e individuano difetti, fondamentali per valutare la qualità e le prestazioni dei pezzi PBF-LB, ma richiedono inoltre attrezzature specializzate e competenze esperte, oltre a essere costosi e dispendiosi in termini di tempo.

“Ecco perché molte aziende non possono permettersi il PBF fin dall’inizio.”

– Masinelli

Per affrontare tutti questi problemi, i ricercatori di Empa hanno utilizzato l’apprendimento automatico per rendere i processi laser più efficienti, economici e precisi.

Clicca qui per scoprire come la manifattura additiva sta rimodellando le industrie.

Sfruttare l’IA per il Controllo in Tempo Reale nella Stampa 3D Metallica

Per l’analisi dei campioni, i ricercatori si sono rivolti a metodi di monitoraggio in tempo reale utilizzando sensori come l’emissione acustica (AE), l’imaging termico ad alta velocità e sensori ottici.

Il monitoraggio in tempo reale è stato scelto per la sua capacità di rilevare eventi indesiderati durante il processo di produzione. Ciò consente aggiustamenti immediati, risparmiando risorse mediante la rimozione e la rifusione dei difetti.

Queste tecniche di monitoraggio in tempo reale si basano solitamente su algoritmi di apprendimento automatico (ML).

Un campo di studio dell’intelligenza artificiale, il ML si occupa dello sviluppo di algoritmi statistici che apprendono dai dati. Questi algoritmi estraggono pattern significativi da dati ad alta dimensionalità e poi effettuano previsioni, nel caso della lavorazione dei metalli, sulla qualità dei pezzi, senza la necessità di programmare esplicitamente modelli fisici complessi.

Tuttavia, questi approcci IA non sono privi di limitazioni. Le sfide includono il fatto che il modello apprende a rilevare cambiamenti nei parametri di processo invece che nel regime del processo e nella formazione dei difetti.

La deriva naturale dei parametri della macchina nel tempo rappresenta anche una barriera alla generalizzazione di questi modelli, limitando l’applicabilità pratica dei modelli IA negli ambienti di produzione reali. Inoltre, vi sono problemi di automazione, che richiedono attrezzature specializzate e si complicano a causa di molteplici parametri, la cui esplorazione è anch’essa impegnativa e dispendiosa.

È evidente la necessità di algoritmi che possano navigare autonomamente lo spazio dei parametri PBF, considerando molteplici variabili di processo, per identificare condizioni ottimali e comprendere i regimi di fusione sottostanti.

Questa esigenza è ora affrontata dai ricercatori di Empa, che hanno proposto un nuovo metodo che utilizza la raccolta non supervisionata di dati ottici con l’obiettivo di identificare il regime di fusione senza richiedere dati etichettati o un’analisi post‑processo estesa.

Implementare l’Apprendimento Non Supervisionato per Ottimizzare i Parametri PBF-LB

La nuova tecnica non supervisionata sviluppata dai ricercatori di Empa si concentra su due parametri principali: potenza del laser e velocità di scansione, identificati come i più influenti sul regime di fusione.

Mentre l’attenzione dello studio¹ era su questi due parametri, la tecnica può essere utilizzata anche per parametri di processo aggiuntivi. In futuro, i ricercatori incorporeranno il flusso di gas, la spaziatura di hatch e lo spessore dello strato nel loro algoritmo per consentire un’esplorazione più completa dello spazio dei parametri PBF-LB.

Per ora, il metodo proposto indica accuratamente la transizione tra il modo di conduzione e il modo a foro chiave.

L’approccio non supervisionato fornisce anche una base per estrarre mappe di processo senza dipendere da dati etichettati, offrendo un notevole vantaggio in PBF-LB, dove ottenere dati etichettati è costoso e difficile.

Lo studio si basa effettivamente su questa base e introduce un metodo originale che combina parti di apprendimento attivo (selezione dei punti dati più informativi) e ottimizzazione bayesiana (strategia di campionamento iterativa che utilizza un modello probabilistico) per derivare mappe di processo in modo efficiente.

Ciò che rende l’approccio diverso è che inizia senza dati e poi costruisce progressivamente il set di dati decidendo dove eseguire ogni nuovo esperimento, consentendo così al processo sperimentale di ottimizzarsi.

È notevole che, nonostante l’uso di un approccio iterativo per il perfezionamento, il modello rimane non supervisionato per tutto il processo, poiché non richiede dati etichettati. Per identificare i regimi di fusione, l’algoritmo si basa su caratteristiche estratte dai dati ottici, e i risultati vengono poi usati per addestrare un Classificatore a Processo Gaussiano (GPC) per fornire una stima probabilistica della mappa.

Per quanto riguarda la componente iterativa, l’algoritmo seleziona nuove impostazioni di prova basandosi sui campi che presentano alta incertezza nelle previsioni, migliorando così la stima della mappa di processo.

In pratica, l’algoritmo è addestrato a rilevare quale modalità di saldatura il laser sta utilizzando durante una prova, usando i dati dei sensori ottici già integrati nelle macchine laser. Sulla base di ciò, l’algoritmo imposta i parametri per il test successivo.

“Speriamo che il nostro algoritmo consenta a non esperti di utilizzare i dispositivi PBF,” ha detto Masinelli. È sufficiente integrarlo nel firmware delle macchine di saldatura laser da parte dei produttori.

Valutare l’Efficacia del Modello IA nelle Applicazioni PBF-LB

Il nuovo algoritmo introdotto dai ricercatori per eliminare la necessità di una vasta messa a punto dei parametri, che limita l’adozione più ampia del PBF-LB, identifica in modo indipendente i regimi di fusione usando dati provenienti da fotodiodi.

E quando testato in laboratorio, il team ha riscontrato che il metodo è altamente accurato, raggiungendo un punteggio F1 dell’89,2% su due materiali. Per valutare le prestazioni, i ricercatori hanno stampato più parti in due materiali. 

Il primo era Ti-6Al-4V, una delle leghe di titanio (alpha-beta) più comunemente usate, con eccellente resistenza alla corrosione e alta resistenza specifica. L’altro era l’acciaio inossidabile 316L, una versione a basso contenuto di carbonio del 316, comunemente impiegata nella lavorazione alimentare, apparecchiature farmaceutiche, dispositivi medici, gioielli, orologi di lusso, trattamento delle acque reflue e nell’industria chimica.

In particolare, il team ha effettuato ispezioni del pool di fusione per verificare le previsioni dell’algoritmo.

La valutazione ha mostrato che l’approccio ha ridotto la necessità di prove sperimentali del 67% in entrambi i metalli mantenendo prestazioni robuste. Ciò può ridurre significativamente il costo dell’esplorazione dei parametri. Nel frattempo, si è registrata una diminuzione massima dell’8,88% nel punteggio F1 rispetto a un tradizionale disegno sperimentale fattoriale completo.

The study stated:

“Questi risultati sottolineano l’efficienza del nostro metodo nel contesto della derivazione autonoma di mappe di processo per processi di manifattura avanzata.” 

Il metodo introdotto qui, secondo i ricercatori, può “migliorare notevolmente” sia l’efficienza che l’affidabilità del PBF-LB, il che potrebbe portare a una sua più ampia adozione migliorando l’efficacia complessiva in vari settori. Secondo lo studio:

“I nostri risultati dimostrano il potenziale di questo metodo per semplificare l’ottimizzazione del PBF-LB, rendendola più fattibile per le applicazioni industriali e aprendo la strada a una sua più ampia adozione.” 

Migliorare i Processi di Saldatura Laser tramite l’Integrazione di IA e FPGA

Oltre a ottimizzare gli esperimenti preliminari, i ricercatori hanno anche migliorato il processo di saldatura in un altro progetto. 

Per quanto riguarda la saldatura laser, anche con impostazioni ideali, il processo può comunque produrre deviazioni imprevedibili, e anche una minima può portare a difetti gravi nel prodotto.

“Al momento non è possibile influenzare il processo di saldatura in tempo reale,” ha detto la ricercatrice Rajani. “Questo va oltre le capacità degli esperti umani.”

– Ricercatrice Rajani

In realtà, anche i computer faticano con la velocità con cui i dati devono essere esaminati e le decisioni devono essere prese. I ricercatori hanno utilizzato qui un tipo specializzato di chip informatico.

Questo chip è chiamato field-programmable gate array (FPGA), progettato per il calcolo ad alte prestazioni (HPC) e il prototipaggio. Il chip può essere programmato dopo la produzione dal produttore e adattato a diversi casi d’uso senza dover modificare fisicamente l’hardware. La loro versatilità, combinata con alte prestazioni, li rende molto preziosi nei settori aerospaziale, automobilistico e delle telecomunicazioni.

“Con gli FPGA, sappiamo esattamente quando eseguiranno un comando e quanto tempo impiegherà l’esecuzione – cosa che non accade con un PC convenzionale.” 

I ricercatori hanno collegato l’FPGA a un PC per fungere da “cervello di backup”. Mentre il chip osserva e controlla i parametri laser, questi dati sono anche utilizzati dall’algoritmo sul PC per l’apprendimento.

“Se siamo soddisfatti delle prestazioni dell’algoritmo nell’ambiente virtuale sul PC, possiamo ‘trasferirlo’ all’FPGA e rendere il chip più intelligente in un unico passo.”

– Masinelli

I ricercatori credono che ML e IA possano contribuire significativamente alla lavorazione dei metalli basata su laser. Pertanto, continueranno a sviluppare i loro algoritmi e modelli, nonché ad espandere le loro aree di applicazione, in collaborazione con altri gruppi di ricerca e partner industriali.

Esplorare le Opportunità di Investimento nelle Tecnologie di Stampa 3D

Ora, un attore chiave nella progettazione e produzione additiva di metalli è Colibrium Additive. È parte di General Electric Company (GE ), che ora opera come GE Aerospace. 

Precedentemente conosciuta come GE Additive, è stata rilanciata come Colibrium Additive lo scorso estate, e nell’ambito del rebranding, Concept Laser e Arcam EBM sono stati ritirati.

“Mentre cambiamo nome, manteniamo il nostro impegno incrollabile verso i clienti, la qualità e l’affidabilità. Continueremo a guidare l’industria della manifattura additiva dal fronte e a rivoluzionarla positivamente.”

– CEO Alexander Schmitz

General Electric (GE )

Per quanto riguarda le stampanti 3D offerte da Colibrium Additive, includono stampanti Electron Beam Powder Bed Fusion (EB-PBF), stampanti Laser Powder Bed Fusion (L-PBF) e stampanti Binder Jet. 

Per quanto riguarda le performance di mercato dell’azienda, è stata davvero in crescita negli ultimi anni. 

Con una capitalizzazione di mercato di oltre 260 miliardi di dollari, le azioni GE sono attualmente scambiate intorno a 244 dollari, con un aumento sostanziale del 46% quest’anno. Il titolo dell’azienda si avvicina rapidamente al suo picco di circa 290 dollari, raggiunto nel 2000. Il suo EPS (TTM) è 6,35, il P/E (TTM) è 38,46, mentre il rendimento da dividendo disponibile per gli azionisti è dello 0,59%.

Nel frattempo, i dati finanziari dell’azienda mostrano un forte Q1 2025 in cui GE ha registrato un fatturato totale di 9,9 miliardi di dollari, con un aumento dell’11% mentre gli ordini totali sono aumentati del 12% a 12,3 miliardi di dollari.

Questo forte inizio del 2025 è stato guidato dai servizi commerciali, ha dichiarato il CEO H. Lawrence Culp, Jr., osservando le dinamiche macroeconomiche che richiedono all’azienda di adottare azioni strategiche, come il controllo dei costi e lo sfruttamento dei programmi commerciali disponibili.

Il profitto operativo è aumentato del 38% nel 1Q25 a 2,1 miliardi di dollari mentre l’EPS rettificato ha registrato un aumento del 60% a 1,49 dollari. Durante questo periodo, GE ha anche riportato 1,5 miliardi di dollari di liquidità dalle attività operative (GAAP) mentre il flusso di cassa libero è aumentato del 14% a 1,4 miliardi di dollari. L’azienda ha anche segnalato un backlog di servizi commerciali di oltre 140 miliardi di dollari.

In mezzo a tutto ciò, Propulsion & Additive Technologies è cresciuta solo dell’1%, con l’azienda che osserva che prezzi e volume hanno compensato le spedizioni più basse derivanti da un avvio graduale pianificato nelle vendite di attrezzature.

Nel suo rapporto annuale di quest’anno, GE ha dichiarato “declini nell’industria della manifattura additiva a causa di una più lenta adozione della tecnologia”, ma allo stesso tempo ha indicato Colibrium Additive come “un business critico per la tecnologia attuale e futura di GE Aerospace mentre continuiamo a concentrarci su dove può creare il maggior valore.”

Ultime Notizie e Sviluppi sul Titolo General Electric (GE)

Conclusione

Man mano che l’IA continua ad avanzare e a trasformare le industrie, sta anche contribuendo a ridefinire ciò che è possibile nella manifattura moderna accelerando l’ottimizzazione dei processi e consentendo l’adattabilità in tempo reale. 

Riducendo significativamente il tempo e i costi associati alla messa a punto dei parametri e alla rilevazione dei difetti in PBF e ottenendo il controllo in tempo reale nella saldatura laser, la manifattura additiva basata su laser è pronta per una più ampia adozione, aprendo la strada a una nuova era di produzione efficiente, accessibile e personalizzata.

Clicca qui per un elenco delle migliori azioni di stampa 3D.

Studi Citati:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Esplorazione autonoma dello spazio dei parametri PBF-LB: un algoritmo guidato dall’incertezza per la generazione automatica di mappe di processo. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}