Precisione basata sull'intelligenza artificiale per trasformare la stampa 3D di metalli basata sul laser

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

La lavorazione laser dei metalli prevede l'utilizzo 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 una divergenza minima. 

Questo rende i laser estremamente utili nella lavorazione dei materiali, dove vengono utilizzati per lavorazioni meccaniche, giunzioni e ingegneria delle superfici. Nella produzione additiva, i laser vengono utilizzati per fondere i materiali e fabbricare i componenti a strati.

La produzione additiva consiste semplicemente nel creare un prodotto strato per strato. È nata con l'utilizzo della plastica come materiale, grazie alla sua facilità di lavorazione. Ma ora si è evoluta fino a includere tutti i tipi di materiali, compresi quelli metallici.

I materiali metallici sono noti per le loro interessanti proprietà, come l'eccellente conduttività elettrica, l'elevata resistenza, la duttilità e l'elevato punto di fusione, che li rendono estremamente utili in applicazioni biomediche, energetiche, architettoniche e militari. 

La lavorazione laser dei metalli, invece, offre vantaggi unici grazie all'elevata densità energetica, alla ridotta zona termicamente alterata e alla ridotta contaminazione. Per questo motivo, i processi laser vengono utilizzati in numerosi settori, soprattutto dove sono richieste la massima precisione e un'elevata personalizzazione. Tuttavia, presentano complicazioni e sfide tecniche. 

"Per garantire che i processi basati sul laser possano essere utilizzati in modo flessibile e ottenere risultati coerenti, stiamo lavorando per comprendere, monitorare e controllare meglio questi processi."

– Elia Iseli, responsabile del gruppo di ricerca nel laboratorio di elaborazione dei materiali avanzati dell'Empa

Con questo obiettivo, i ricercatori Giulio Masinelli e Chang Rajani dell'Empa di Thun stanno rendendo le tecniche di produzione basate sul laser più accessibili, convenienti ed efficienti, utilizzando l'apprendimento automatico.

Comprendere i vantaggi e le sfide della fusione laser a letto di polvere (PBF-LB)

Nel più ampio campo della lavorazione dei metalli basata sul laser, una tecnica diffusa è la Powder Bed Fusion, che prevede l'uso di un laser per fondere sottili strati di polvere metallica in punti precisi e saldarli insieme per produrre il componente finale.

La fusione a letto di polvere con raggio laser (PBF-LB), invece, è una tecnica specializzata che ha attirato molta attenzione negli ultimi anni. In questa importante tecnologia di produzione additiva, laser ad altissima potenza vengono utilizzati per fondere specificamente le polveri metalliche strato per strato prima di miscelarle in componenti personalizzati e di alta precisione. 

Questa tecnica consente la produzione di geometrie complesse, offrendo al contempo possibilità di personalizzazione e garantendo l'efficienza dei materiali. 

Queste caratteristiche rendono il PBF-LB particolarmente indicato per settori quali quello automobilistico, medico, aerospaziale e dei prodotti di consumo, in cui sono necessarie parti leggere e complesse, design personalizzati, precisione, riduzione del peso e prototipazione rapida. 

Sebbene versatile ed efficiente, questa tecnica incontra diversi ostacoli prima di essere adottata su larga scala e di poter essere ottimizzata.

Ciò include la difficoltà nell'identificare la struttura di elaborazione 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 con questa tecnica crea in realtà complessi meccanismi fisici che influiscono negativamente sulla qualità dei componenti. Questi meccanismi includono incoerenze nelle proprietà dei materiali, l'influenza dei gas atmosferici e l'interazione del laser con il pennacchio di vapore. Tutti questi fenomeni creano problemi nell'identificazione dei parametri.

Ciò è dovuto principalmente alle due modalità. Una è la modalità di conduzione, in cui il metallo viene semplicemente fuso, ed è ideale per componenti sottili e precisi. L'altra opzione è la modalità "keyhole", in cui il metallo può essere vaporizzato in alcuni casi. È più veloce, ma anche meno precisa, il che la rende adatta a componenti più spessi.

Il confine tra queste modalità, tuttavia, dipende da diversi parametri e per ottenere la migliore qualità nei prodotti finali sono necessarie impostazioni corrette, che variano a seconda del materiale in lavorazione. 

Le complesse interazioni tra materiale e laser rendono il processo sensibile anche a variazioni molto piccole, che possono causare problemi in 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 costanti.

E non finisce qui. I campioni prodotti in questa fase vengono poi analizzati utilizzando diverse tecniche come l'analisi microstrutturale, la misurazione della densità e la tomografia computerizzata a raggi X (TC). 

Questi metodi forniscono informazioni dettagliate sulle strutture interne e individuano difetti, fondamentali per valutare la qualità e le prestazioni delle parti PBF-LB, ma, ancora una volta, necessitano di attrezzature specializzate e conoscenze specialistiche, oltre a essere costosi e dispendiosi in termini di tempo.

“Ecco perché molte aziende non possono permettersi il PBF in primo luogo.”

– Masinelli

Per risolvere tutti questi problemi, i ricercatori dell'Empa hanno utilizzato l'apprendimento automatico per rendere i processi laser più efficienti, convenienti e precisi.

Clicca qui per scoprire come la produzione additiva sta rimodellando i settori industriali.

Sfruttare l'intelligenza artificiale per il controllo in tempo reale nella stampa 3D in metallo

Per l'analisi dei campioni, i ricercatori si sono rivolti a metodi di monitoraggio in tempo reale utilizzando sensori quali emissioni acustiche (AE), immagini termiche 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 di apportare modifiche immediate, risparmiando risorse grazie alla rimozione e alla rifusione dei difetti. 

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

Campo di studio dell'intelligenza artificiale, il machine learning si occupa dello sviluppo di algoritmi statistici che apprendono dai dati. Questi algoritmi estraggono pattern significativi da dati ad alta dimensionalità e quindi effettuano previsioni, nel caso della lavorazione dei metalli, sulla qualità dei componenti, senza dover programmare esplicitamente modelli fisici complessi.

Questi approcci di intelligenza artificiale non sono però privi di limiti. Tra le sfide, l'apprendimento del modello per rilevare cambiamenti nei parametri di processo anziché nel regime di processo e nella formazione di difetti.

La naturale deriva dei parametri delle macchine nel tempo rappresenta inoltre un ostacolo alla generalizzazione di questi modelli, limitando l'applicabilità pratica dei modelli di intelligenza artificiale negli ambienti di produzione reali. A ciò si aggiungono i problemi di automazione, che richiedono attrezzature specializzate e si complicano a causa della molteplicità di parametri, un'analisi altrettanto impegnativa e dispendiosa in termini di risorse.

Esiste una chiara necessità di algoritmi in grado di navigare in modo autonomo nello spazio dei parametri PBF, considerando molteplici variabili di processo, per identificare le condizioni ottimali e comprendere i regimi di fusione sottostanti.

Questa esigenza è stata ora affrontata dai ricercatori dell'Empa, che hanno proposto un nuovo metodo che impiega la raccolta non supervisionata di dati ottici, concentrandosi sull'identificazione del regime di fusione, senza richiedere dati etichettati o analisi di post-elaborazione approfondite.

Implementazione dell'apprendimento non supervisionato per ottimizzare i parametri PBF-LB

La nuova tecnica non supervisionata sviluppata dai ricercatori dell'Empa si concentra su due parametri principali: la potenza del laser e la velocità di scansione, che sono stati identificati come quelli con l'impatto più significativo sul regime di fusione.

Mentre il focus del studio¹ Considerando questi due parametri, la tecnica può essere utilizzata anche per parametri di processo aggiuntivi. In futuro, i ricercatori integreranno la portata del gas, la spaziatura dei tratteggi 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 con precisione la transizione tra la modalità di conduzione e la modalità keyhole.

L'approccio non supervisionato fornisce inoltre una base per l'estrazione di mappe di elaborazione senza dipendere da dati etichettati, il che offre un vantaggio considerevole in PBF-LB, dove ottenere dati etichettati è costoso e impegnativo.

In realtà, lo studio si basa 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 iterativo che utilizza un modello probabilistico) per ricavare mappe di elaborazione in modo efficiente.

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

In particolare, nonostante l'impiego di un approccio iterativo per il raffinamento, il modello rimane non supervisionato durante l'intero 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 quindi utilizzati per addestrare un classificatore di processo gaussiano (GPC) al fine di fornire una stima probabilistica della mappa. 

Per quanto riguarda l'aspetto iterativo, l'algoritmo seleziona nuove impostazioni di prova in base ai campi che presentano un'elevata incertezza nelle previsioni, il che migliora la stima della mappa di elaborazione.

In pratica, l'algoritmo viene istruito a rilevare in quale modalità di saldatura si trova il laser durante un test, utilizzando i dati provenienti dai sensori ottici già integrati nelle macchine laser. Sulla base di questi dati, l'algoritmo imposta i parametri per il test successivo.

"Speriamo che il nostro algoritmo permetta anche ai non esperti di utilizzare i dispositivi PBF", ha affermato Masinelli. È sufficiente che i produttori lo integrino nel firmware delle saldatrici laser.

Valutazione dell'efficacia del modello di intelligenza artificiale nelle applicazioni PBF-LB

Il nuovo algoritmo introdotto dai ricercatori per eliminare la necessità di una regolazione approfondita dei parametri, che limita la più ampia adozione del PBF-LB, identifica in modo indipendente i regimi di fusione utilizzando i dati dei fotodiodi.

E quando è stato testato in laboratorio, il team ha scoperto che il metodo è estremamente accurato, ottenendo 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 il Ti-6Al-4V, una delle leghe di titanio (alfa-beta) più comunemente utilizzate, con un'eccellente resistenza alla corrosione e un'elevata resistenza specifica. L'altro era l'acciaio inossidabile 316L, una versione a basso tenore di carbonio dell'acciaio inossidabile 316, comunemente utilizzato nell'industria alimentare, nelle apparecchiature farmaceutiche, nei dispositivi medici, nella gioielleria, negli orologi di lusso, nel trattamento delle acque reflue e nell'industria chimica.

In particolare, il team ha condotto ispezioni delle pozze di fusione per verificare le previsioni dell'algoritmo. 

La valutazione ha dimostrato che l'approccio ha ridotto la necessità di prove sperimentali del 67% in entrambi i metalli, mantenendo al contempo prestazioni affidabili. Ciò può ridurre significativamente i costi di esplorazione dei parametri. Allo stesso tempo, si è registrata una riduzione massima dell'8.88% del punteggio F1 rispetto a un tradizionale disegno sperimentale fattoriale completo.

Lo studio affermava:

"Questi risultati sottolineano l'efficienza del nostro metodo nel contesto della derivazione autonoma di mappe di elaborazione per processi di produzione avanzati." 

I ricercatori ritengono che il metodo qui introdotto possa "migliorare notevolmente" sia l'efficienza che l'affidabilità del PBF-LB, il che potrebbe portare a una sua più ampia adozione, migliorandone l'efficacia complessiva in diversi settori. Secondo lo studio:

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

Miglioramento dei processi di saldatura laser tramite l'integrazione di intelligenza artificiale e FPGA

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

Nella saldatura laser, anche con impostazioni ideali, il processo può comunque presentare deviazioni imprevedibili, e anche una minima deviazione può causare gravi difetti nel prodotto.

"Attualmente non è possibile influenzare il processo di saldatura in tempo reale", ha affermato il ricercatore Rajani. "Questo va oltre le capacità degli esperti umani."

– Ricercatore Rajani

In effetti, anche i computer hanno difficoltà a gestire la velocità con cui i dati devono essere analizzati e le decisioni prese. I ricercatori hanno utilizzato un chip specializzato.

Questo chip è chiamato FPGA (Field-Programmable Gate Array), progettato per l'elaborazione ad alte prestazioni (HPC) e la prototipazione. Il chip può essere programmato dopo essere stato rilasciato dal produttore e adattato a diversi casi d'uso senza dover modificare fisicamente l'hardware. La loro versatilità, unita alle elevate prestazioni, li rende estremamente preziosi nei settori aerospaziale, automobilistico e delle telecomunicazioni.

Masinelli ha osservato:

"Con gli FPGA sappiamo esattamente quando verrà eseguito un comando e quanto tempo impiegherà l'esecuzione, cosa che non accade con un PC tradizionale." 

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 vengono utilizzati anche 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, tutto in una volta."

– Masinelli

I ricercatori ritengono che l'apprendimento automatico e l'intelligenza artificiale abbiano il potenziale per contribuire in modo significativo alla lavorazione laser dei metalli. Pertanto, continueranno a sviluppare i loro algoritmi e modelli, nonché ad ampliare il loro campo 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 di additivi metallici è Colibrium Additive. Fa parte di General Electric Company (GE ), che ora opera con il nome di GE Aerospace. 

Precedentemente nota come GE Additive, la scorsa estate è stata rilanciata come Colibrium Additive e, nell'ambito del rebranding, Concept Laser e Arcam EBM sono stati ritirati dal mercato.

"Mentre cambiamo nome, manteniamo la nostra incrollabile attenzione ai clienti, alla qualità e all'affidabilità. Continueremo a guidare il settore della produzione additiva in prima linea e a rivoluzionarlo."

– Il CEO Alexander Schmitz

general Electric (GE )

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

Per quanto riguarda le performance dell'azienda sul mercato, negli ultimi anni ha avuto un andamento molto positivo. 

Con una capitalizzazione di mercato di oltre 260 miliardi di dollari, le azioni GE sono attualmente scambiate a circa 244 dollari, con un sostanziale rialzo del 46% quest'anno. Il titolo si sta rapidamente avvicinando al picco di circa 290 dollari, raggiunto nel 2000. L'utile per azione (EPS) (TTM) è di 6.35 e il rapporto prezzo/utili (P/E) (TTM) è di 38.46, mentre il rendimento da dividendi per gli azionisti è dello 0.59%.

Nel frattempo, i dati finanziari dell'azienda mostrano un solido primo trimestre del 1, in cui GE ha registrato un fatturato totale di 2025 miliardi di dollari, con un incremento dell'9.9%, mentre gli ordini totali sono aumentati del 11%, arrivando a 12 miliardi di dollari.

Questo forte inizio del 2025 è stato trainato dai servizi commerciali, ha affermato l'amministratore delegato H. Lawrence Culp, Jr., sottolineando al contempo le dinamiche macroeconomiche che richiedono all'azienda di adottare misure strategiche, come il controllo dei costi e lo sfruttamento dei programmi commerciali disponibili.

L'utile operativo è aumentato del 38% nel primo trimestre del 1, raggiungendo i 25 miliardi di dollari, mentre l'utile per azione rettificato è aumentato del 2.1%, raggiungendo 60 dollari. Durante questo periodo, GE ha inoltre segnalati 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 inoltre registrato un portafoglio ordini per servizi commerciali di oltre 140 miliardi di dollari.

In tutto questo, Propulsion & Additive Technologies è cresciuta solo dell'1%, con l'azienda che ha sottolineato come prezzi e volumi abbiano 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 nel settore della produzione additiva dovuti a una più lenta adozione della tecnologia", ma allo stesso tempo ha sottolineato che Colibrium Additive è "un'attività fondamentale per la tecnologia attuale e futura di GE Aerospace, mentre continuiamo a concentrarci su dove può creare il massimo valore".

Ultime notizie e sviluppi sulle azioni General Electric (GE)

Conclusione

Mentre l'intelligenza artificiale continua a progredire e a trasformare i settori industriali, sta anche contribuendo a ridefinire le possibilità della produzione moderna, accelerando l'ottimizzazione dei processi e consentendo l'adattabilità in tempo reale. 

Riducendo significativamente i tempi e i costi associati alla messa a punto dei parametri e al rilevamento dei difetti nella PBF e ottenendo un controllo in tempo reale nella saldatura laser, la produzione additiva basata sul 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 per la stampa 3D.

Studi citati:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P. e Atienza, D. (2025). Esplorazione autonoma dello spazio parametrico PBF-LB: un algoritmo basato sull'incertezza per la generazione automatizzata di mappe di elaborazione. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}