Ricercatori della Carnegie Mellon University hanno sviluppato un modello di machine learning in grado di ricostruire in tempo reale il profilo completo della temperatura durante il processo di stampa 3D, utilizzando solo dati parziali provenienti da sensori in situ. La nuova tecnica combina sensori termici, simulazioni numeriche e intelligenza artificiale per monitorare e controllare con precisione la temperatura durante la produzione additiva.
Il controllo accurato della temperatura è fondamentale per ottimizzare il processo di stampa 3D e garantire la qualità dei componenti prodotti. Finora, né i sensori termici in situ né i metodi di modellazione computerizzata erano riusciti a ricostruire con precisione il profilo completo tridimensionale della temperatura in tempo reale durante la stampa.
Un approccio ibrido ispirato all'image inpainting
Il team guidato dal ricercatore post-dottorato Jiangce Chen ha sviluppato un framework ibrido ispirato alla tecnica di image inpainting utilizzata nella computer vision. Il modello di machine learning viene addestrato su un dataset generato da simulazioni numeriche calibrate con dati sperimentali. In questo modo è in grado di ricostruire la distribuzione completa della temperatura partendo solo dalle misurazioni parziali fornite dai sensori termici durante la stampa.
Christopher McComb, professore associato di ingegneria meccanica coinvolto nel progetto, ha commentato: "Ciò che rende davvero unico questo nuovo modello è la sua capacità di addestrarsi su dati simulati. È molto costoso eseguire questi esperimenti di produzione additiva, quindi siamo entusiasti di spingere il più possibile l'utilizzo delle simulazioni".
Superare le limitazioni delle tecniche tradizionali
Per adattare il concetto di inpainting alla ricostruzione di dati 3D, i ricercatori hanno impiegato reti neurali convoluzionali a grafo (GCNN) al posto delle tradizionali CNN. Questo ha permesso di modellare efficacemente la costruzione strato dopo strato tipica della stampa 3D.
I test hanno evidenziato la capacità del modello di generalizzare su geometrie mai viste in fase di addestramento, suggerendo la possibilità di migliorarne ulteriormente le prestazioni ampliando il dataset di training con una maggiore varietà di forme.
Validazione su dati sperimentali reali
Il team ha anche valutato le prestazioni del modello su dati sperimentali reali relativi alla costruzione di pareti. Sono stati testati tre diversi approcci di addestramento:
- Utilizzo di dati simulati relativi a geometrie complesse (escluse le pareti)
- Addestramento esclusivo su dati simulati di costruzione di pareti
- Combinazione dei due set di dati precedenti
I risultati hanno mostrato che l'approccio combinato ha ottenuto le migliori prestazioni, indicando la capacità del modello di sintetizzare i pattern appresi da geometrie diverse con le caratteristiche specifiche della costruzione di pareti.
Prospettive future
I ricercatori sono fiduciosi di poter ottenere ulteriori miglioramenti in futuro:
- Impiego di modelli numerici più avanzati per migliorare la qualità del dataset di training
- Studio dell'impatto della risoluzione dei dati sull'accuratezza del modello
- Integrazione di sistemi di rilevamento termico multipli (telecamere IR, termocoppie, ecc.)
Questa ricerca rappresenta un importante passo avanti verso lo sviluppo di sistemi automatizzati in grado di monitorare e controllare in tempo reale il processo di stampa 3D, aprendo la strada alla produzione di componenti di alta qualità per applicazioni critiche come l'industria aerospaziale.