Usata l'intelligenza artificiale per accelerare e migliorare la produzione in lega di titanio, sbloccando nuove tecniche di lavorazione per materiali più forti e di alta qualità
La produzione di parti in lega di titanio ad alte prestazioni, che si tratti di veicoli spaziali, sottomarini o dispositivi medici, è da tempo un processo lento e ad alta intensità di risorse. Anche con tecniche avanzate di stampa 3D in metallo, trovare le giuste condizioni di produzione ha richiesto test approfonditi e messa a punto. Cosa succederebbe se queste parti potessero essere costruite più rapidamente, più resistenti e con una precisione quasi perfetta?
Un team composto da esperti del Johns Hopkins Applied Physics Laboratory (APL) di Laurel, Maryland, e della Johns Hopkins Whiting School of Engineering sta sfruttando l'intelligenza artificiale per rendere tutto ciò realtà. Hanno identificato tecniche di elaborazione che migliorano sia la velocità di produzione che la resistenza di questi materiali avanzati, un progresso con implicazioni dalle profondità marine allo spazio.
«La nazione si trova di fronte a un'urgente necessità di accelerare la produzione per soddisfare le esigenze dei conflitti attuali e futuri», ha affermato la dottoressa Morgan M. Trexler (1), responsabile del programma per la scienza dei materiali estremi e multifunzionali nell'area di missione di ricerca e sviluppo esplorativo di APL. «In APL, stiamo portando avanti la ricerca nella produzione additiva basata su laser per sviluppare rapidamente materiali pronti per la missione, assicurando che la produzione tenga il passo con le sfide operative in continua evoluzione».
I risultati, pubblicati sulla rivista Additive Manufacturing (2), si concentrano su Ti-6Al-4V, una lega di titanio ampiamente utilizzata, nota per la sua elevata resistenza e il peso ridotto. Il team ha sfruttato modelli basati sull'intelligenza artificiale per mappare condizioni di produzione inesplorate in precedenza per la fusione laser a letto di polvere, un metodo di stampa 3D del metallo. I risultati sfidano le ipotesi consolidate sui limiti del processo, rivelando una finestra di elaborazione più ampia per la produzione di titanio denso e di alta qualità con proprietà meccaniche personalizzabili.
Il dottor Brendan Croom (3), scienziato senior dei materiali presso l'Applied Physics Laboratory della Johns Hopkins University racconta: «La scoperta fornisce un nuovo modo di concepire la lavorazione dei materiali. Per anni abbiamo dato per scontato che certi parametri di lavorazione fossero 'off-limits' per tutti i materiali perché avrebbero concepito un prodotto finale di scarsa qualità. Ma utilizzando l'intelligenza artificiale per esplorare l'intera gamma di possibilità, abbiamo scoperto nuove regioni di lavorazione che consentono una stampa più rapida mantenendo, o addirittura migliorando, la resistenza e la duttilità del materiale, la capacità di allungarsi o deformarsi senza rompersi. Ora, gli ingegneri possono selezionare le impostazioni di lavorazione ottimali in base alle loro esigenze specifiche».
Questi risultati sono promettenti per le industrie che si affidano a parti in titanio ad alte prestazioni. La capacità di produrre componenti più resistenti e leggeri a velocità maggiori potrebbe migliorare l'efficienza nella costruzione navale, nell'aviazione e nei dispositivi medici. Contribuisce inoltre a uno sforzo più ampio per far progredire la produzione additiva per il settore aerospaziale e pe quello della difesa.
I ricercatori della Whiting School of Engineering, tra cui il professor Somnath Ghosh (4) (5), stanno integrando simulazioni basate sull'intelligenza artificiale per prevedere meglio le prestazioni dei materiali prodotti in modo additivo in ambienti estremi. Ghosh è co-direttore di uno dei due NASA Space Technology Research Institutes (STRI), una collaborazione tra Johns Hopkins e Carnegie Mellon focalizzata sullo sviluppo di modelli computazionali avanzati per accelerare la qualificazione e la certificazione dei materiali. L'obiettivo è ridurre il tempo necessario per progettare, testare e convalidare nuovi materiali per applicazioni spaziali, una sfida che si allinea strettamente con gli sforzi di APL per perfezionare e accelerare la produzione di titanio.
Un grande passo avanti
Questa svolta si basa su anni di lavoro presso l'Applied Physics Laboratory (APL) per far progredire la produzione additiva. Quando il dottor Steve Storck (6), il capo scienziato per le tecnologie di produzione nel dipartimento di ricerca e sviluppo esplorativo di APL, è arrivato al laboratorio nel 2015, ha riconosciuto che la pratica aveva i suoi limiti. Egli racconta che «A quei tempi, uno dei maggiori ostacoli all'uso della produzione additiva nel Dipartimento della Difesa era la disponibilità dei materiali: ogni progetto richiedeva un materiale specifico, ma per la maggior parte di essi non esistevano condizioni di lavorazione robuste. Il titanio era uno dei pochi che soddisfaceva le esigenze del DoD ed era stato ottimizzato per eguagliare o superare le prestazioni di produzione tradizionali. Sapevamo che dovevamo ampliare la gamma di materiali e perfezionare i parametri di lavorazione per sbloccare completamente il potenziale della produzione additiva».
APL ha trascorso anni a perfezionare la produzione additiva, concentrandosi sul controllo dei difetti e sulle prestazioni dei materiali. Il team di Storck ha sviluppato un framework di ottimizzazione rapida dei materiali (7), uno sforzo che ha portato a un brevetto depositato nel 2020. Nel 2021, il team APL ha pubblicato uno studio
(8) nel Johns Hopkins APL Technical Digest esaminando come i difetti influenzano le proprietà meccaniche.
Questo framework, progettato per accelerare significativamente l'ottimizzazione delle condizioni di elaborazione, ha fornito una solida base per l'ultimo studio. Partendo da questo lavoro di base, il team ha sfruttato l'apprendimento automatico per esplorare una gamma senza precedenti di parametri di elaborazione, qualcosa che sarebbe stato poco pratico con i tradizionali metodi di tentativi ed errori.
L'approccio ha rivelato un regime di elaborazione ad alta densità precedentemente scartato a causa di preoccupazioni sull'instabilità del materiale. Con aggiustamenti mirati, il team ha sbloccato nuovi modi per elaborare Ti-6Al-4V, da tempo ottimizzato per la fusione laser a letto di polvere.
«Non stiamo solo apportando miglioramenti incrementali», ha affermato Storck. «Stiamo trovando modi completamente nuovi per elaborare questi materiali, sbloccando capacità che in precedenza non erano state prese in considerazione. In poco tempo, abbiamo scoperto condizioni di elaborazione che hanno spinto le prestazioni oltre quanto si riteneva possibile».
L'intelligenza artificiale trova i modelli nascosti
Le proprietà del titanio, come quelle di tutti i materiali, possono essere influenzate dal modo in cui il materiale viene lavorato. La potenza del laser, la velocità di scansione e la spaziatura tra le tracce laser determinano il modo in cui il materiale si solidifica, se diventa forte e flessibile o fragile e imperfetto. Tradizionalmente, trovare la giusta combinazione richiedeva lenti test di tentativi ed errori.
Invece di regolare manualmente le impostazioni e attendere i risultati, il team ha addestrato modelli di intelligenza artificiale utilizzando l'ottimizzazione bayesiana, una tecnica di apprendimento automatico che prevede l'esperimento successivo più promettente in base ai dati precedenti. Analizzando i primi risultati dei test e perfezionando le sue previsioni a ogni iterazione, l'intelligenza artificiale si è rapidamente concentrata sulle migliori condizioni di elaborazione, consentendo ai ricercatori di esplorare virtualmente migliaia di configurazioni prima di testarne una manciata in laboratorio.
Questo approccio ha permesso al team di identificare rapidamente impostazioni precedentemente inutilizzate, alcune delle quali erano state scartate nella produzione tradizionale, che avrebbero potuto produrre titanio più forte e più denso. I risultati hanno ribaltato le ipotesi consolidate su quali parametri laser forniscano le migliori proprietà del materiale.
«Non si tratta solo di produrre parti più rapidamente», ha affermato Croom. «Si tratta di trovare il giusto equilibrio tra forza, flessibilità ed efficienza. L'intelligenza artificiale ci sta aiutando a esplorare regioni di elaborazione che non avremmo preso in considerazione da soli».
Storck ha sottolineato che l'approccio va oltre il miglioramento della stampa in titanio: personalizza i materiali per esigenze specifiche. «I produttori spesso cercano impostazioni adatte a tutti, ma i nostri sponsor hanno bisogno di precisione», ha affermato. «Che si tratti di un sottomarino nell'Artico o di un componente di volo in condizioni estreme, questa tecnica ci consente di ottimizzare per quelle sfide uniche mantenendo al contempo le massime prestazioni».
Il dottor Croom ha aggiunto che espandere il modello di apprendimento automatico per prevedere comportamenti di materiali ancora più complessi è un altro obiettivo chiave. Il lavoro iniziale del team ha esaminato densità, resistenza e duttilità e Croom ha affermato che sta pensando di modellare altri fattori importanti, come la resistenza alla fatica o la corrosione.
«Questo lavoro è stata una chiara dimostrazione del potere dell'intelligenza artificiale, dei test ad alto rendimento e della produzione basata sui dati», ha affermato. «Ci volevano anni di sperimentazione per capire come un nuovo materiale avrebbe risposto negli ambienti pertinenti del nostro sponsor, ma cosa succederebbe se potessimo invece apprendere tutto questo in settimane e utilizzare questa intuizione per produrre rapidamente leghe migliorate?»
Nuove possibilità
«Il successo di questa ricerca apre le porte ad applicazioni ancora più ampie. Il documento pubblicato di recente si è concentrato sul titanio, ma lo stesso approccio basato sull'intelligenza artificiale è stato applicato ad altri metalli e tecniche di produzione, tra cui leghe sviluppate specificamente per sfruttare la produzione additiva», ha affermato Storck.
Un'area di futura esplorazione è il cosiddetto monitoraggio in situ, ovvero la capacità di tracciare e regolare il processo di produzione in tempo reale. Steven Storck ha descritto una visione in cui la produzione additiva di metalli all'avanguardia potrebbe essere fluida come la stampa 3D a casa: «Prevediamo un cambiamento di paradigma in cui i futuri sistemi di produzione additiva possono adattarsi durante la stampa, garantendo una qualità perfetta senza la necessità di un'estesa post-elaborazione e che le parti possano nascere qualificate».
Riferimenti:
(2) Machine learning enabled discovery of new L-PBF processing domains for Ti-6Al-4V
(3) Brendan Croom
(4) Somnath Ghosh
(6) Steven Storck
(7) Rapid material development process for additive manufactured materials
(8) Predicting Failure in Additively Manufactured Parts—“The Effects of Defects” (PDF)
Descrizione foto: Il dottor Brendan Croom, uno scienziato senior dei materiali presso il laboratorio di fisica applicata da Johns Hopkins, è raffigurato nel laboratorio di tomografia computerizzata a raggi X di APL, dove l'imaging ad alta risoluzione aiuta i ricercatori ad analizzare materiali fabbricati additivamente. Croom e il suo team stanno usando l'intelligenza artificiale per ottimizzare la produzione in lega di titanio, scoprendo metodi di produzione più veloce ed efficienti con potenziali applicazioni in aerospaziale, costruzione navale e oltre. - Credit: Johns Hopkins APL/Ed Whitman.
Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: AI Reveals New Way to Strengthen Titanium Alloys and Speed Up Manufacturing