Algoritmi machine learning per stima risposta meccanica di provini stampati in additive

Lo scopo dell’attività di tesi è quello di allenare algoritmi di Machine Learning, al fine di stimare le proprietà meccaniche di componenti prodotti tramite additive manufacturing. In particolare il processo produttivo considerato per l’attività è il processo FFF, che sta per Fused Filament Fabrication, ovvero Fabbricazione per Filamento Fuso. Le proprietà meccaniche di un componente prodotto con tale processo sono molto sensibili ai parametri di stampa. In base alla scelta dei parametri, come ad esempio temperatura di stampa, velocità di stampa, velocità delle ventole di raffreddamento ed altri, le proprietà meccaniche variano sensibilmente. Nasce quindi l’esigenza di prevedere tali proprietà al variare dei valori scelti per i parametri di processo. Queste previsioni risultano essere molto onerose in termini di tempo se si ricorre a simulazioni FEM, da cui l’esigenza e l'idea di utilizzare tecniche di Machine Learning. Lo studio prevede una prima parte sperimentale, nella quale si studia il processo di stampa e si cerca un modo di collegare i parametri di processo alla struttura risultante del componente. Successivamente si procede numericamente ricreando la geometria interna all’interno di un ambiente CAE. Oltre alla geometria della struttura interna si analizza la perdita di rigidezza del materiale dovuta alla presenza di porosità, che condiziona fortemente il modulo elastico risultante del componente stampato. Dopo aver ricreato la geometria sulla base dei parametri di processo, includendo anche la perdita di rigidezza elastica, si procede a effettuare delle simulazioni di una prova di trazione con il FEM. Queste simulazioni vengono poi confrontate con le prove di trazione su provini reali al fine di verificare la validità della modellazione nel CAE. Infine si allena una rete che dovrà essere in grado di prevedere le caratteristiche meccaniche del componente ricevendo in input i parametri di processo.