Nella seconda edizione della serie 3D Printing Industry sull’Intelligenza Artificiale (AI) e la stampa 3D , gli intervistati ci raccontano come la tecnologia stia aiutando a intensificare il processo di identificazione, ottimizzazione e qualificazione di nuovi materiali di produzione additiva.
Come sapranno senza dubbio gli ingegneri che lavorano nel settore, prima della stampa 3D con qualsiasi nuovo materiale, è necessario prima “qualificarlo”. Tradizionalmente, ciò ha significato identificare un collegamento tra i parametri inseriti per l’elaborazione di una determinata materia prima e le proprietà delle parti che produce, in modo da fornire agli utenti successivi garanzie sulla qualità.
Tuttavia, la qualificazione può essere lunga e laboriosa e, in passato, il National Institute of Standards and Technology (NIST) ha criticato la sua “mancanza di risultati di processo ripetibili “, come “impedimento all’implementazione diffusa [della stampa 3D]”.
Uno di quelli che ora cercano di accelerare il processo è Intellegens , che ha sviluppato il proprio set di strumenti di intelligenza artificiale in grado di addestrare reti neurali profonde per qualificare rapidamente i materiali, anche da dati sparsi o rumorosi. Commercializzata sotto forma del suo software Alchemite , il responsabile marketing dell’azienda Stephen Warde, afferma che la tecnologia consente agli utenti di “ridurre drasticamente la fase di ricerca e sviluppo per tentativi ed errori”.
“Il software esegue analisi avanzate su dati sperimentali e di processo”, spiega Warde. “Può identificare le relazioni all’interno dei dati e utilizzarle per prevedere i risultati per materiali o configurazioni di processo che non sono state ancora provate. Tale analisi non sostituisce la sperimentazione o il test, ma aiuta gli utenti a focalizzare l’esperimento in modo più efficace e ad ottenere un risultato molto più velocemente”.
Un’illustrazione raffigurante una rete neurale AI. Immagine tramite Pixabay, tungnguyen0905.
Il potenziale di qualificazione materiale dell’IA
Mentre aziende come Intellegens hanno iniziato a commercializzare il loro software basato sull’intelligenza artificiale, la natura emergente della tecnologia significa che rimane anche sotto costante ricerca e sviluppo. A livello accademico, questo ha visto gruppi come il Fraunhofer Institute for Material and Beam Technology (IWS) sviluppare i propri approcci algoritmici alla qualificazione, con l’obiettivo di rendere la stampa 3D in metallo dieci volte più veloce .
“L’industria è alla ricerca di materiali sempre più e sempre diversi che, tuttavia, sono spesso difficili da lavorare”, ha affermato Frank Brückner di Fraunhofer IWS in un aggiornamento sul progetto a metà 2019. “Attraverso l’analisi algoritmica per un’elevata produttività di campioni di materiale, l’istituto sta gradualmente sviluppando un ‘ricettario’ di parametri, temperatura e velocità di alimentazione per l’elaborazione di superleghe difficili”.
Dall’avvio del progetto di Fraunhofer IWS, tali algoritmi sono stati perfezionati in modo significativo e ora possono essere addestrati per concentrarsi sulla ricerca di modi per fornire materiali con caratteristiche particolarmente vantaggiose. All’Università di ingegneria e tecnologia di Dhaka , i ricercatori sono persino riusciti a utilizzare l’apprendimento automatico per creare sei filamenti infusi di nanoparticelle , progettati per produrre parti con migliori “qualità meccaniche e fisiche”.
Identificazione del parametro ‘rivoluzionante’
Nel tentativo di valutare dove si trova attualmente lo sviluppo di algoritmi guidati dall’intelligenza artificiale, l’industria della stampa 3D ha contattato il dottor Yu (Roger) Dong della Curtin University . Lavorando nell’ambito di un recente progetto interistituzionale, Dong e i suoi colleghi hanno cercato non solo di stabilire lo stato di avanzamento della scoperta di biocompositi , ma anche di tracciare il potenziale degli approcci basati sull’intelligenza artificiale per farlo in futuro.
Secondo i risultati di Dong e co, le tecnologie di machine learning e deep learning potrebbero ancora “rivoluzionare” i metodi “trial and error” ancora utilizzati in alcune parti del settore. In particolare, il docente di ingegneria meccanica vede “un grande potenziale” nell’uso di approcci basati sull’intelligenza artificiale nella formulazione di nuovi materiali, che sono più ecologici ma non compromettono nemmeno la qualità.
“L’intelligenza artificiale offre il potenziale per ottimizzare l’identificazione dei parametri del processo di stampa 3D, nonché la selezione dei materiali e la formulazione di nuovi materiali biodegradabili”, ha affermato Dong. “Tali materiali potrebbero avere enormi vantaggi rispetto ai tradizionali polimeri da stampa, con un’eccellente biodegradabilità e rispetto dell’ambiente, che sono essenziali per dare un contributo positivo all’economia circolare globale”.
Altrove, alla TU Delft , il professor Amir Zadpoor fa parte di un team che è attualmente impegnato in una ricerca all’avanguardia basata sulla simulazione per lo sviluppo di materiali che presentano caratteristiche insolite . Finora, utilizzando modelli di deep learning, i ricercatori affermano di aver trovato un modo per prevedere i comportamenti dei materiali multi-ingrediente prima di mescolarli, conferendo loro “rare proprietà elastiche”.
Mentre la tecnologia continua a progredire, Zadpoor afferma di poter vedere modelli di deep learning che spodestano le vecchie tecnologie ancora utilizzate per valutare le parti progettate, più o meno allo stesso modo in cui hanno “sostituito gli esseri umani in molti compiti”. In effetti, il professore pensa che i processi guidati dall’intelligenza artificiale potrebbero persino raggiungere un punto in cui sostituiscono la modellazione agli elementi finiti, un’eventualità con “un enorme potenziale commerciale” per gli sviluppatori di software.
AI in AM: un’opportunità commerciale?
Sebbene oggi gli algoritmi basati sull’intelligenza artificiale non siano ampiamente adottati nel settore della stampa 3D, ci sono prove che suggeriscono che stanno almeno iniziando a guadagnare terreno. Un modo in cui la tecnologia è stata applicata è nel settore delle costruzioni. Utilizzando l’apprendimento automatico insieme alla Swinburne University of Technology , Bouygues Travaux Publics ha provato a classificare i materiali per la stampa da costruzione .
Nel settore della difesa, Senvol ha anche visto il suo software Senvol ML distribuito ripetutamente, con America Makes che ha recentemente incaricato l’azienda di utilizzarlo come mezzo per aumentare la qualificazione dei materiali aerospaziali . Parlando con l’industria della stampa 3D, Zach Simkin di Senvol ha spiegato che il progetto ha prodotto “risultati promettenti ed entusiasmanti”, ma la mancanza di consapevolezza della tecnologia rimane un problema.
“Molte persone semplicemente non sanno che esistono strumenti software ML maturi per la produzione additiva e che non è necessario alcun tipo di esperienza in statistica o apprendimento automatico per poter utilizzare questi strumenti”, ha affermato Simkin. “I team AM di qualsiasi disciplina possono trarne vantaggio e rendere molto più efficienti i loro sforzi di ottimizzazione dei parametri e sviluppo dei materiali”.
D’altra parte, la categoria degli sviluppatori di software di stampa 3D guidati dall’intelligenza artificiale è popolata da ricercatori come quelli del MIT , che hanno escogitato un nuovo algoritmo ML “AutoOED” open source . Progettato per consentire agli utenti di identificare automaticamente i materiali praticabili con le qualità desiderate, si dice che il software sia in grado di eseguire “centinaia di iterazioni” nel giro di pochi giorni.
Di conseguenza, il mercato in crescita per quelle soluzioni in grado di ottimizzare il processo di formulazione dei materiali di stampa 3D è chiaro, ma ciò che è meno ovvio è quale modello di business sia più adatto a guidare l’adozione della tecnologia.
