---
title: "Il machine learning predice le prestazioni del Ti6Al4V stampato in 3D"
url: https://www.voxelmatters.com/it/il-machine-learning-predice-le-prestazioni-del-ti6al4v-stampato-in-3d/
date: 2025-08-11
modified: 2025-08-11
lang: it
author: "Edward Wakefield"
description: "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..."
categories:
  - "AI"
  - "Manifattura additiva a metallo"
  - "Ricerca AM"
  - "Software AM"
tags:
  - "future"
image: https://www.voxelmatters.com/wp-content/uploads/2025/08/1-1.webp
word_count: 368
---

# 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](https://link.springer.com/article/10.1007/s11465-024-0796-0) 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](https://www.voxelmatters.com/tekna-receives-cad-1-6-million-order-of-lpbf-titanium-powder/).

[Nella manifattura di componenti in Ti6Al4V tramite LPBF,](https://www.voxelmatters.com/fotec-integrates-am-into-industrial-process-chains/) 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.

[![Researchers from South China University of Technology use machine learning to predict 3D printed Ti6Al4V performance. ](https://www.voxelmatters.com/wp-content/uploads/2025/08/image-23.png)](https://www.voxelmatters.com/hoganas-offers-ti6al4v-3d-printing-capabilities-digital-metal-technology/)Per la ricerca sono state utilizzate [polveri sferiche di Ti6Al4V](https://www.voxelmatters.com/hoganas-offers-ti6al4v-3d-printing-capabilities-digital-metal-technology/) 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.](https://www.voxelmatters.com/it/voxelmatters-metal-am-focus-2024-ebook/)