Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition

La produzione di metalli si è a lungo basata sulla capacità di fondere e unire materiali con estrema precisione, un processo che costruisce parti complesse strato dopo strato. In una tecnica avanzata nota come deposizione adiettiva per energia diretta (directed energy deposition), un potente raggio laser fonde la polvere metallica mentre viene spruzzata su una superficie, creando una piccola pozza incandescente di metallo fuso. La forma e le dimensioni di questa pozza fusa determinano se il componente finale sarà resistente e perfetto o pieno di crepe nascoste e punti deboli. Il problema è che la parte più critica di questa pozza — la profondità a cui il metallo fonde — avviene sotto la superficie, invisibile a occhio nudo e impossibile da misurare mentre la macchina è in funzione. Per decenni, gli ingegneri hanno dovuto fermare la macchina, tagliare il pezzo e analizzarlo al microscopio per vedere se il processo avesse funzionato, un metodo lento e distruttivo che non lascia spazio alla correzione in tempo reale.

Un team di ricercatori dello Stevens Institute of Technology ha sviluppato un nuovo modo per vedere l'invisibile. Hanno creato un sistema che utilizza l'intelligenza artificiale per prevedere la profondità nascosta della pozza fusa in tempo reale, utilizzando solo i modelli di calore visibili sulla superficie e le impostazioni del laser. Insegnando a un computer come apprendere da una vasta libreria di simulazioni al computer, e poi raffinando tale conoscenza con una piccola quantità di dati reali, hanno costruito un modello capace di osservare il processo di stampa e comunicare istantaneamente agli operatori quanto sia profonda la fusione del metallo. Questo approccio colma il divario tra la fisica teorica e la realtà disordinata di un pavimento di fabbrica, offrendo una strada verso la produzione di componenti che vengono monitorati e corretti mentre vengono realizzati, piuttosto che essere ispezionati una volta terminati.

La sfida centrale in questo campo è che la pozza fusa è un evento fugace e caotico. Mentre il laser si muove attraverso il metallo, crea una pozza in costante mutamento, con il calore che si irradia verso l'esterno e il metallo che fluisce in modi complessi. Sebbene le telecamere possano vedere facilmente la larghezza della pozza sulla superficie, la profondità rimane un mistero fino a quando il pezzo non viene distrutto. Per risolvere questo problema, i ricercatori si sono rivolti a un metodo chiamato transfer learning. Immaginate uno studente che trascorre anni a studiare libri di testo di fisica e a risolvere migliaia di problemi di pratica in una classe silenziosa prima di entrare mai in un vero laboratorio. Quello studente comprende già le regole fondamentali del mondo, quindi, quando affronta finalmente un vero esperimento, ha bisogno di molto meno tempo per apprendere le specificità di quel particolare allestimento. I ricercatori hanno applicato la stessa logica al loro modello informatico.

Per prima cosa, hanno generato un enorme dataset utilizzando una simulazione al computer basata sulla fisica. Hanno modellato il comportamento dell'acciaio inossidabile mentre veniva riscaldato da un laser, creando oltre 1.300 scenari differenti con potenze del laser, velocità e dimensioni del punto focale variabili. In questo mondo virtuale, il computer conosceva la profondità e la larghezza esatte di ogni pozza fusa creata. Hanno utilizzato questi dati simulati per addestrare una complessa rete neurale, un tipo di intelligenza artificiale progettata per riconoscere schemi. La rete ha imparato ad associare i modelli termici sulla superficie alla profondità nascosta sottostante, costruendo una comprensione robusta della fisica coinvolta. Tuttavia, i ricercatori sapevano che un modello addestrato solo su simulazioni al computer perfette avrebbe avuto difficoltà di fronte al rumore, ai riflessi e alle imperfezioni di una macchina reale.

Per colmare questo divario, hanno preso il modello pre-addestrato e lo hanno perfezionato utilizzando un piccolo set di dati sperimentali reali. Hanno eseguito esperimenti di stampa a traccia singola su una macchina reale, catturando immagini a infrarossi ad alta velocità della pozza fusa. Per insegnare al computer l'aspetto delle pozze reali, hanno dovuto tagliare le tracce stampate e misurarne la profondità e la larghezza effettive al microscopio. Poiché non potevano misurare ogni singolo fotogramma del video, hanno utilizzato un metodo statistico per assegnare questi valori misurati alle immagini, creando un set di addestramento di circa 550 immagini etichettate. Quando hanno inserito questi dati reali nel modello, la rete ha regolato le sue impostazioni interne per tenere conto delle differenze tra la pulizia della simulazione e il mondo reale rumoroso.

I risultati hanno dimostrato che questo approccio in due fasi era di gran lunga superiore all'addestramento di un modello da zero utilizzando solo i limitati dati del mondo reale. Quando i ricercatori hanno testato i modelli su nuovi lavori di stampa mai visti, il sistema addestrato con l'aiuto delle simulazioni commetteva significativamente meno errori. Per la previsione della larghezza della pozza, il modello assistito dalla simulazione era accurato entro circa il 7%, mentre il modello addestrato solo con dati reali presentava un errore di quasi il 30%. La differenza era ancora più drammatica per la profondità, che è la variabile più difficile da prevedere. Il modello assistito dalla simulazione prevedeva la profondità con un errore di circa il 22%, mentre il modello addestrato senza l'aiuto della simulazione sbagliava di quasi il 75%. Nei casi più difficili, dove i dati erano estremamente scarsi, il modello addestrato con la simulazione manteneva un alto livello di accuratezza, mentre l'altro modello non riusciva affatto a apprendere i pattern corretti.

I ricercatori hanno anche scoperto che il sistema funzionava meglio quando combinava due tipi di informazioni: le immagini termiche della pozza e le impostazioni specifiche del laser. Le immagini fornivano la forma visiva del calore, che aiutava a determinare la larghezza, mentre le impostazioni del laser fornivano il contesto energetico necessario per ipotizzare la profondità. Quando hanno testato il sistema in tempo reale su sei diversi lavori di stampa che utilizzavano impostazioni mai viste dal computer, esso è riuscito a tracciare il cambiamento della geometria della pozza mentre il laser si muoveva. Ha identificato correttamente quando la pozza era troppo superficiale, una condizione che spesso porta a componenti deboli, mentre il modello non assistito sovrastimava costantemente la profondità e mancava questi difetti.

Questo lavoro dimostra che è possibile portare il potere delle simulazioni fisiche nel mondo reale della produzione senza la necessità di migliaia di esperimenti costosi e dispendiosi in termini di tempo. Utilizzando le simulazioni per insegnare all'IA le regole del gioco e i dati reali per insegnarle le sfumature di una macchina specifica, i ricercatori hanno creato uno strumento che è allo stesso tempo accurato ed efficiente. Il sistema non si limita a prevedere numeri; offre un modo per monitorare la salute del processo di produzione mentre avviene, permettendo potenzialmente alle macchine di autoregolarsi al volo per prevenire i difetti. Sebbene la tecnologia sia ancora in fase di perfezionamento, lo studio prova che combinare la chiarezza dei modelli informatici con la realtà degli esperimenti fisici può risolvere problemi che un tempo erano considerati troppo difficili da affrontare in tempo reale.