Il machine learning predice le prestazioni del Ti6Al4V stampato in 3D

Un team di ricerca della South China University of Technology ha recentemente pubblicato su Frontiers of Mechanical Engineering uno studio che propone un approccio data-driven basato su stacking ensemble learning per prevedere le proprietà meccaniche della lega Ti6Al4V realizzata tramite tecnologia laser powder bed fusion (LPBF) su larga scala.

Nella manifattura di componenti in Ti6Al4V tramite LPBF, il processo coinvolge numerosi parametri interdipendenti, rendendo complessa l’individuazione delle condizioni ottimali. Le tecniche di machine learning possono affrontare questa sfida, ma i modelli singoli faticano a cogliere le relazioni complesse tra le variabili. Lo studio applica modelli di stacking, che combinano i punti di forza di più algoritmi per migliorare le prestazioni, con l’obiettivo di prevedere le proprietà meccaniche della lega Ti6Al4V in ambito AM.

Per la ricerca sono state utilizzate polveri sferiche di Ti6Al4V per realizzare provini di trazione su un sistema LPBF specifico. Sono stati definiti intervalli di parametri per potenza laser, velocità di scansione e hatch spacing, ottenendo 64 combinazioni tramite esperimenti a matrice ortogonale. Gli algoritmi ANN, ENet, KRR, GBR e Lasso sono stati impiegati per costruire un modello di stacking in grado di predire la resistenza a trazione. L’ottimizzazione del modello è stata condotta tramite Bayesian optimization e cross-validation, mentre più metriche sono state utilizzate per valutarne le prestazioni.

L’analisi del coefficiente di correlazione di Pearson ha rivelato che la velocità di scansione incide maggiormente sulla resistenza a trazione, seguita dalla potenza laser, mentre l’hatch spacing ha l’influenza minore. Dopo l’ottimizzazione, è stata definita la combinazione ottimale di modelli di base per lo stacking. I risultati su set di training e test dimostrano che il modello di stacking garantisce una precisione di previsione superiore e una stabilità maggiore rispetto al modello ANN, cogliendo meglio le relazioni complesse tra parametri di processo e resistenza a trazione.

Il modello di stacking ensemble learning proposto dalla South China University of Technology rappresenta quindi un framework efficace per prevedere la resistenza a trazione della lega Ti6Al4V prodotta tramite LPBF su larga scala. Lo studio definisce il grado di influenza dei parametri chiave, conferma i vantaggi del modello di stacking sotto diversi aspetti e offre un metodo affidabile per stimare le proprietà meccaniche di componenti metallici realizzati con LPBF.