Machine learning nella stampa 3D a granulo: imparare la parametrizzazione perfetta

Come usiamo i modelli di machine learning per trovare la parametrizzazione ottimale di materiali impegnativi – e perché puntiamo consapevolmente sul ML classico invece che sull'IA generativa.

15 aprile 20266 min di letturaMachine Learning
Machine learning per la parametrizzazione nella stampa 3D a granulo di S2S-Systemdrucker GmbH

Il machine learning in S2S-Systemdrucker GmbH è un tema vasto e molto specifico – e uno di quelli che possono rendere la stampa 3D a granulo radicalmente più efficiente. In questo articolo spieghiamo come impieghiamo i modelli di machine learning per trovare la parametrizzazione ottimale di materiali impegnativi come ferriti, ceramiche tecniche o miscele di materiali – e perché il nostro approccio punta consapevolmente sul machine learning classico invece che sull'IA generativa.

Che cos'è il machine learning – spiegato in breve

In forma molto semplificata il machine learning funziona così: attraverso cicli di addestramento iterativi e sistemi di equazioni matematiche si addestra una rete neurale. La rete addestrata può poi prendere decisioni, ovvero fornire previsioni, sulla base di un numero qualsiasi di parametri di ingresso – e lo fa tanto meglio quanto più numerosi sono i dati di addestramento di buona qualità a disposizione.

Per la stampa 3D questo diventa interessante proprio quando si tratta di un compito che tradizionalmente richiede molta esperienza, tempo e serie di prove iterative: la parametrizzazione.

La sfida: ogni materiale e ogni requisito sono diversi

Un progetto tipico da noi comincia così: un'azienda ci contatta e dice: «Ci servono queste e quelle proprietà sul componente stampato, e il tutto deve avvenire con questo materiale specifico».

A quel punto comincia il nostro lavoro vero e proprio: come parametrizziamo l'impianto? Come impostiamo il granulo, la miscela, le portate? Proprio nella stampa a granulo con materiali tecnici lo spazio dei parametri è enorme – temperature, comportamento di estrusione, rapporti di miscela e proprietà del materiale si intrecciano. Tradizionalmente ci si avvicina all'impostazione ottimale con serie di prove. Funziona, ma costa tempo e materiale.

Il nostro approccio: imparare da ogni progetto

È qui che intervengono i nostri modelli di machine learning. Disponiamo di un patrimonio di dati in crescita: progetti conclusi, il nostro database dei materiali, il nostro database dei parametri. Su questa base addestriamo modelli che imparano esattamente queste relazioni.

In un nuovo progetto la cosa si presenta così: diamo al modello i parametri di ingresso del progetto del cliente – proprietà desiderate del componente, materiale, condizioni al contorno. Il modello addestrato analizza questi ingressi e, sulla base del suo addestramento, propone una parametrizzazione: rapporti di miscela, portate e altre grandezze di processo. Invece di partire da zero, partiamo da una raccomandazione fondata e basata sui dati – e accorciamo in modo sensibile la strada verso l'impostazione ottimale.

Il pericolo dell'overfitting – e come lo affrontiamo

Chi lavora con il machine learning deve conoscere e prendere sul serio un problema: l'overfitting. In questo caso un modello impara i dati di addestramento quasi a memoria, invece di generalizzare le relazioni che vi stanno sotto. La conseguenza: sui dati noti fornisce risultati eccellenti, su costellazioni nuove e sconosciute fallisce. Proprio con i dati di processo della produzione, che per loro natura non sono disponibili in quantità illimitata, questo pericolo è concreto.

Per questo abbiamo integrato fin dall'inizio nei nostri processi di addestramento meccanismi che impediscono l'overfitting – così i nostri modelli forniscono raccomandazioni affidabili anche con combinazioni di materiali e requisiti nuovi, e non si limitano a riprodurre il passato.

Importante: machine learning classico invece di IA generativa

Un punto a cui teniamo: formalmente il machine learning è sì una branca dell'intelligenza artificiale – ma quello che impieghiamo qui non ha nulla a che vedere con ciò che oggi si intende di solito con «IA», cioè i modelli linguistici o l'IA generativa. I nostri processi di machine learning si fondano su formule matematiche e procedure di addestramento chiaramente definite. La rete neurale amplia il proprio sapere lungo curve di apprendimento che governiamo in modo mirato e adattiamo a punti definiti.

La differenza decisiva: il processo è nelle nostre mani. Il comportamento dei modelli è tracciabile, l'addestramento è controllato, i risultati sono riproducibili. Per l'impiego industriale – dove l'affidabilità conta più delle dimostrazioni spettacolari – è esattamente questo l'approccio giusto.

Conclusione

Il machine learning trasforma la nostra esperienza di progetto in uno strumento attivo: ogni progetto concluso, ogni punto dati del database dei materiali e dei parametri migliora le raccomandazioni per il progetto successivo. Per i nostri clienti questo significa fasi di avviamento più brevi, meno materiale consumato nelle serie di prove e risultati riproducibili più in fretta – anche e soprattutto con materiali impegnativi.

Ha un progetto con requisiti particolari sul materiale? Ci contatti – forse il nostro modello ha già la parametrizzazione adatta.