Intelligenza Artificiale Informata dalla Fisica di Nanchino: La Svolta nella Previsione Termica in Tempo Reale per la Produzione Additiva di Metalli

I ricercatori dell'Università di Tecnologia di Nanchino hanno recentemente svelato un modello di intelligenza artificiale rivoluzionario che segna un significativo passo avanti nel campo della produzione additiva. Questo sistema innovativo, radicato nei principi della fisica, è stato specificamente progettato per offrire una previsione operativa e immediata dei regimi di temperatura durante il processo di produzione additiva ad arco con filo (Wire Arc Additive Manufacturing, WAAM).

La pubblicazione dei risultati di questo lavoro sulla prestigiosa rivista Communications Engineering costituisce un traguardo fondamentale per migliorare la qualità e la stabilità dei componenti metallici stampati. L'essenza di questa innovazione risiede nella creazione di una rete neurale ricorrente di tipo geometrico, informata fisicamente. Questo approccio ibrido fonde con successo le leggi fondamentali della fisica con la potenza del deep learning, consentendo una modellazione dinamica e precisa del comportamento termico del materiale in fase di lavorazione.

Il risultato più critico e sorprendente è la velocità operativa raggiunta. Mentre i metodi tradizionali, come la modellazione agli elementi finiti, possono richiedere fino a un'ora per generare risultati accurati, il nuovo modello dimostra prestazioni eccezionali, fornendo previsioni in soli 12 millisecondi. Questa rapidità è cruciale e apre la strada all'implementazione di cicli di feedback a circuito chiuso essenziali nei contesti industriali avanzati.

Il team, guidato da Minxuan Tian della Scuola di Meccanica ed Energia, si è prefissato di risolvere una duplice sfida: superare la lentezza computazionale delle simulazioni classiche e minimizzare l'accumulo di errori che è tipico dei modelli puramente data-driven. Nel corso degli esperimenti, che hanno incluso la stampa strato su strato di strutture in acciaio a parete sottile utilizzando un impianto robotizzato WAAM, il modello ha registrato un errore massimo di previsione di circa il 4,5% nelle simulazioni e del 13,9% nei test condotti in condizioni reali.

Il sistema è in grado di prevedere con stabilità l'evoluzione della temperatura per un orizzonte temporale fino a 10 secondi. Questo intervallo è vitale per la gestione dei flussi termici e per la riduzione delle tensioni residue. Il controllo termico nella stampa 3D metallica è la pietra angolare del processo, poiché un riscaldamento o raffreddamento non uniforme porta inevitabilmente a difetti, quali cricche e deformazioni, compromettendo irrimediabilmente l'integrità del prodotto finale.

L'integrazione diretta dei vincoli fisici nell'architettura della rete neurale assicura che le previsioni siano sempre fisicamente valide, permettendo al sistema di generalizzare efficacemente i dati per diverse geometrie e modalità di processo. Inoltre, i ricercatori hanno sottolineato che la riduzione dei tempi di addestramento ottenuta tramite il transfer learning aumenta notevolmente l'applicabilità pratica e l'adattabilità di questa tecnologia a svariate condizioni produttive. Questo salto metodologico schiude prospettive per la realizzazione di sistemi di controllo predittivo (feed-forward control) nella produzione additiva, consentendo alle macchine di correggere parametri operativi, come l'apporto di calore o la velocità di alimentazione del filo, prima che insorgano problemi.