Un approccio guidato dai dati alla modellazione del comportamento termico nella manifattura laser: un modello surrogato per SLM e saldatura laser. = A Data Driven Approach to Modelling Thermal Behavior in Laser Based Manufacturing: A Surrogate Model for SLM and Laser Welding.

Questa tesi è divisa in due parti principali: generazione dei dati e modellazione surrogata. La modellazione surrogata, una tecnica basata sui dati, è impiegata per prevedere la distribuzione della temperatura nel tempo e la morfologia del bagno di fusione nel contesto del processo di saldatura laser, e la morfologia del bagno di fusione (larghezza, lunghezza, profondità) per il processo di Selective Laser Melting a singolo strato con scansioni multiple. Per la generazione dei dati, sono state condotte simulazioni numeriche utilizzando il software ANSYS Mechanical. Sono state eseguite analisi termiche transitorie di entrambi i processi con opportune condizioni al contorno e proprietà dei materiali. È stata utilizzata una combinazione di metodi One-Factor-at-a-Time e di campionamento casuale per variare sistematicamente i principali parametri di processo. Per la saldatura laser, parametri come la potenza del laser, la velocità di saldatura, il raggio del fascio, l’assorbività del materiale e lo spessore della piastra sono stati ottimizzati singolarmente per studiarne gli effetti sulla distribuzione della temperatura e sulla morfologia del bagno di fusione. Analogamente, per il processo SLM, parametri quali la velocità di scansione, la potenza del laser, l’interasse delle tracce (hatch spacing), il raggio del fascio e lo spessore dello strato di polvere sono stati variati per analizzarne l’influenza sulle dimensioni del bagno di fusione (larghezza, lunghezza e profondità) all’inizio, al centro e alla fine della zona di interazione del laser durante scansioni multiple. I dati di simulazione sono stati poi utilizzati per addestrare e testare un modello di machine learning basato su XGBoost. Sono state eseguite le fasi di preprocessing dei dati, definite le colonne target e validato il modello tramite cross-validation. Il modello XGBoost ha mostrato un’elevata accuratezza nella previsione della temperatura e delle caratteristiche del bagno di fusione in scenari con variazioni di singoli parametri. Tuttavia, le sue prestazioni sono diminuite nei casi che coinvolgono interazioni multi-parametriche, rivelando i limiti degli approcci OFAT e di campionamento casuale.