L’utilizzo di supercomputer permette di sviluppare reti neurali finalizzate all’analisi predittiva nell’ambito dell’additive manufacturing.

TAKEAWAY

  • L’additive manufacturing fa riferimento a quelle tecnologie che producono oggetti in stampa 3D aggiungendo materiale strato su strato. Ma, mentre la stampa 3D è l’operazione effettiva, l’additive manufacturing rimanda, invece, all’intero processo produttivo.
  • Oggi la manifattura additiva consente di creare prodotti in molteplici settori, dall’ingegneria automobilistica fino all’ingegneria spaziale. Ma una sfida rimane: sapere in anticipo – e con precisione – l’esito finale dell’oggetto che verrà stampato.
  • Un team dell’Università dell’Illinois sta cercando di rispondere a questa sfida avvalendosi del deep learning e di reti neurali artificiali per “prevedere” i risultati dei processi complessi coinvolti nell’additive manufacturing.

Esiste un “ruolo” dell’intelligenza artificiale nell’additive manufacturing? È possibile parlare di tecniche che fanno capo all’ambito di studi dell’AI applicate alla produzione additiva? I due ambiti si correlano i qualche modo? Dall’Università dell’Illinois arriva una risposta affermativa.

Iniziamo col dire che il termine “additive manufacturing” (in italiano “manifattura additiva” o “produzione additiva”) fa riferimento a quelle tecnologie che producono oggetti in stampa 3D aggiungendo materiale strato su strato. Materiale dato da polveri di leghe metalliche d’alluminio, titanio e acciai vari, materiali plastici, ceramica o fibre di vetro.

Per intenderci, mentre la stampa 3D è l’operazione effettiva, l’additive manufacturing rimanda, invece, all’intero processo produttivo che, diversamente dai procedimenti tradizionali – caratterizzati dall’asportazione di materiale, come nel caso, ad esempio, della tornitura o della fresatura – vede al centro il design dell’oggetto. È quest’ultimo, infatti, che determina la produzione additiva.

Oggi, l’additive manufacturing consente di creare prodotti, o parti di questi, richiesti da molteplici settori, dall’ingegneria automobilistica fino all’ingegneria spaziale. Tuttavia, una sfida rimane: sapere in anticipo – e con precisione – l’esito finale dell’oggetto che verrà stampato in 3D.

Gli esperimenti condotti finora per rispondere a tale sfida – in particolare nell’ambito della produzione additiva in metallo – sono piuttosto lenti e costosi. E anche la modellazione computazionale di tali sistemi è dispendiosa, sia sotto il profilo del tempo impiegato che sotto il profilo economico.

L’intero processo di stampa 3D, infatti, è multifase: coinvolge gas, materiali liquidi, materiali solidi e transizioni di fase tra questi e presenta, inoltre, una vasta gamma di scale spaziali e temporali. Il che ha portato a grandi divari tra quanto avviene su piccola scala e il prodotto reale finale.

Zeliang Liu, software engineering presso Apple, e Jinhui Yan, professore di ingegneria civile e ambientale presso l’Università dell’Illinois, stanno cercando di dipanare questa matassa avvalendosi del machine learning, dunque introducendo l’intelligenza artificiale nell’additive manufacturing.

Più nello specifico, stanno utilizzando il deep learning e le reti neurali artificiali per “prevedere” i risultati dei processi complessi coinvolti nella manifattura additiva, cerando di stabilire la correlazione esistente tra elaborazione, struttura, proprietà e prestazioni finali del prodotto stampato.

L’intelligenza artificiale nell’additive manufacturing: le simulazioni con i supercomputer Frontera e Stampede2

In tema di intelligenza artificiale nell’additive manufacturing, negli ultimi mesi del 2020, utilizzando i supercomputer Frontera e Stampede2, presso il Texas Advanced Computing Center, Liu e Yan hanno simulato la dinamica di due esperimenti di riferimento: un esempio di solidificazione 1D (ossia quando materiali solidi e metalli liquidi interagiscono nel processo di stampa) e un esempio di test di fusione del raggio laser, tratto dalla serie di test di benchmark sull’additive manufacturing realizzati nel 2018 dal NIST – National Institute of Standards and Technology, agenzia di governo USA.

Ebbene, il modello di rete neurale sviluppato dal team è stato in grado di ricreare le dinamiche dei due esperimenti: in particolare, nel caso della fusione del raggio laser, il modello ha previsto temperatura e lunghezza del pool di fusione, avvicinandosi di molto ai risultati effettivi dei test ufficiali.

Gli esiti di tali simulazioni sono stati pubblicati sulla rivista specializzata Computational Mechanics a gennaio del 2021, spiegando che si tratta della prima volta in cui le reti neurali vengono applicate alla modellazione del processo di manifattura additiva in metallo, dimostrando così che il machine learning ha un grande potenziale in questo campo.

Secondo i due ricercatori, in futuro, l’intelligenza artificiale nell’additive manufacturing avrà un ampio seguito, con l’utilizzo, da parte degli ingegneri, di reti neurali come strumenti di previsione rapida, per fornire indicazioni sulla selezione dei parametri (ad esempio, la velocità del laser o la distribuzione della temperatura) nell’ambito dell’intero processo produttivo di stampa 3D, oltre che per mappare le relazioni tra il processo stesso, i parametri selezionati e le proprietà del prodotto finale.

intelligenza artificiale nell’additive manufacturing
Schema di rete neurale utilizzata dal team dell’Università dell’Illinois (credit: Qiming Zhu, Zeliang Liu, Jinhui Yan).

Verso previsioni più precise dei parametri dei processi produttivi di stampa 3D

In un articolo successivo, pubblicato su Computer Methods in Applied Mechanics and Engineering a maggio 2021, con l’obiettivo di ottenere previsioni più puntuali rispetto ai benchmark esistenti, Zeliang Liu e Jinhui Yan hanno proposto una modifica alla struttura del metodo messo a punto in precedenza.

Più nel dettaglio, ripercorrendo un recente esperimento di additive manufacturing sul laser in movimento, a cura dell’Argonne National Laboratory – tra i più grandi e antichi laboratori nazionali di ricerca degli Stati Uniti – i due ricercatori hanno dimostrato che le simulazioni, eseguite per mezzo del supercomputer Frontera differivano da quelle dell’esperimento ufficiale di meno del 10,3%, riuscendo a prevedere con precisione temperatura e velocità del processo di produzione e, addirittura, la geometria finale dell’interfaccia gas-metallo.

Questa ricerca sull’intelligenza artificiale nell’additive manufacturing – osserva il team – beneficia della continua evoluzione delle tecnologie informatiche, oltre che degli investimenti da parte del governo USA nel calcolo ad alte prestazioni. Il supercomputer Frontera non solo accelera studi di questo tipo, ma apre le porte a studi che vedono machine learning e deep learning in ambiti in cui i dati di formazione non sono ampiamente disponibili. E, su quest’ultimo punto, commenta il professor Jinhui Yan:

L’aspetto più interessante di studi come il nostro sta proprio nel percepire che il modello di intelligenza artificiale sviluppato è in grado di prevedere il futuro utilizzando solo una piccola quantità di dati esistenti e, tramite questi, di arrivare a formulare previsioni circa l’evoluzione dell’intero processo produttivo di stampa 3D

Scritto da:

Paola Cozzi

Giornalista Leggi articoli Guarda il profilo Linkedin