IMDEA Materials e Lawrence Berkeley sviluppano un’AI per profilare la variabilità delle stampanti 3D

I ricercatori dell’IMDEA Materials Institute, in collaborazione con il Lawrence Berkeley National Laboratory (LBNL) negli Stati Uniti, hanno sviluppato un algoritmo che rileva differenze comportamentali tra macchine di produzione teoricamente identiche e seleziona di conseguenza una strategia di ottimizzazione.

Il lavoro è stato pubblicato sulla rivista Advanced Engineering Informatics e affronta un problema persistente nella produzione automatizzata: macchine dello stesso brand e modello non si comportano in modo identico, e la variazione risultante può accumularsi in difetti su scala, anche in configurazioni di produzione parallela come le printer farm.

Il sistema ha prima eseguito una valutazione diagnostica su ciascuna macchina per costruire un profilo di prestazione individuale, poi ha utilizzato l’analisi statistica per quantificare il grado di variabilità tra le unità.

Sulla base di questa analisi, il sistema ha applicato una strategia di ottimizzazione congiunta tra le macchine risultate sufficientemente simili, oppure una strategia di ottimizzazione individuale per ciascuna quando ha rilevato differenze significative, privilegiando la precisione rispetto all’efficienza condivisa.

Validazione su tre stampanti 3D

Il team ha validato il metodo utilizzando tre stampanti 3D teoricamente identiche. L’algoritmo ha rilevato differenze misurabili tra le macchine e ha determinato che ciascuna richiedeva una propria strategia di ottimizzazione anziché una condivisa.

Le analisi distribuzionali e le metriche di divergenza hanno favorito l’approccio per singolo dispositivo in questo caso studio: le stime di densità dei pellet stampati hanno mostrato una netta separazione tra le macchine, e i valori di divergenza a coppie erano sostanziali, indicando che ogni stampante operava in un regime di output distinto.

Applicando l’ottimizzazione individuale, secondo i ricercatori, si è ottenuta “una convergenza significativamente più rapida e una riduzione sostanziale degli errori nel peso dei pezzi stampati rispetto al trattare tutte le macchine allo stesso modo, mancando quindi di correggere adeguatamente i bias individuali”.

“Anche le macchine prodotte in serie possono avere una propria ‘personalità’ operativa. Il nostro sistema apprende queste differenze e le sfrutta a nostro vantaggio, determinando se è più efficiente trattarle come un gruppo o come singole entità”, hanno dichiarato i ricercatori.

“Questo non solo migliora la precisione, ma consente anche di risparmiare risorse evitando esperimenti falliti: un passo fondamentale verso i laboratori e le fabbriche completamente automatizzati del futuro.”

Applicazioni che vanno oltre la stampa 3D

Sebbene lo studio di validazione si sia concentrato sulla stampa 3D, i ricercatori hanno sottolineato che la stessa metodologia è applicabile ad altri campi basati sulla sperimentazione ad alto rendimento, tra cui la scoperta di nuovi materiali, la sintesi chimica e la calibrazione dei sensori.

Lo studio è stato condotto dalla Dr.ssa Christina Schenk, Miguel Hernández del Valle, Luis Calero e dal Dr. Maciej Haranczyk dell’IMDEA Materials Institute, insieme al Dr. Marcus Noack del Lawrence Berkeley National Laboratory.