Machine learning per la previsione della risposta a compressione di celle lattice prodotte in Additive Manufacturing = Machine Learning for predicting the compression response of lattice cells produced by Additive Manufacturing

Questo lavoro di tesi tratta della realizzazione di un algoritmo di Machine Learning (ML) in grado di prevedere la risposta a compressione di strutture lattice in lega d’alluminio AlSi10Mg prodotte mediante fabbricazione additiva. Le scansioni Micro-CT condotte su un campione lattice hanno evidenziato la presenza di porosità interne e di elevata rugosità superficiale. Per considerare queste difettosità è stato adottato un approccio multiscala, partendo dalle analisi agli elementi finiti per piccoli volumi rappresentativi (RVE) della cella lattice intera. Tramite il software Abaqus CAE, è stato realizzato il modello di RVE basandosi sulle piccole travi cilindriche (beam) che compongono la struttura reticolare. Nel modello FE, la difettosità interna è stata considerata utilizzando dei vuoti a forma di ellissoide, mentre la rugosità superficiale è stata simulata con un profilo sinusoidale. Quindi, sono state eseguite diverse simulazioni FEA sul modello variando i parametri principali di difettosità, al fine di ottenere un database di curve omogeneizzate tensione-deformazione, differenti a seconda degli input utilizzati. Tali risultati sono poi stati utilizzati per l’addestramento di una rete neurale di Machine Learning in ambiente Keras, la quale, assegnando in input i parametri di difettosità interna e superficiale di una certa beam, possa fornire in output la curva stress-deformazione della beam stessa, sostituendo il processo di analisi agli elementi finiti mediante Abaqus. In seguito, sul campione lattice sono state eseguiti test di compressione quasi-statica, al fine di ottenere le curve forza-spostamento sperimentali delle strutture reticolari. Dunque, con il software LS-Dyna sono state effettuate le simulazioni sulla cella lattice intera (macroscala), inserendo casualmente le diverse varianti di RVE all’interno del componente macroscala. Sono stati eseguiti due diversi gruppi di simulazioni, associando prima le caratteristiche meccaniche del microscala ottenute mediante le simulazioni su Abaqus, e poi quelle predette dal modello di Machine Learning precedentemente addestrato, ottenendo per entrambi i casi una certa variabilità nei risultati. Infine, con i fasci di curve generate dalle analisi multiscala, sono state determinate due bande di dispersione che, contenendo le curve sperimentali, hanno validato sia le analisi effettuate mediante il software Abaqus, sia i risultati ottenuti con il modello ML.