Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

Immaginate un pavimento di fabbrica dove enormi parti metalliche non vengono scavate da un blocco solido, ma costruite, strato dopo strato, da un flusso di metallo fuso. Questa è la deposizione di energia diretta, un metodo di produzione high-tech utilizzato per creare di tutto, dai componenti dei motori a reazione ai dispositivi medici. È potente e flessibile, capace di riparare macchinari costosi o di stampare forme complesse che sarebbero impossibili da realizzare in altro modo. Tuttavia, il processo è notoriamente difficile da controllare. Il metallo viene fuso da sorgenti di calore intense come laser o archi elettrici, creando una minuscola e rovente pozza di liquido che si raffredda e si solidifica in una frazione di secondo. Poiché ciò avviene così velocemente e comporta temperature così estreme, il processo è instabile. Può facilmente sviluppare crepe nascoste, fori o punti deboli che rovinano il componente finale. Tradizionalmente, risolvere questi problemi ha significato un ciclo lento ed costoso di tentativi ed errori: impostare la macchina, costruire un pezzo, tagliarlo per ispezionarlo, trovare il difetto, cambiare le impostazioni e riprovare.

Per rompere questo ciclo, i ricercatori si stanno rivolgendo a due potenti strumenti: l'apprendimento automatico (machine learning) e i gemelli digitali (digital twins). Il machine learning è un tipo di intelligenza informatica che impara a riconoscere schemi da grandi quantità di dati, proprio come un essere umano impara a individuare un difetto osservando migliaoli di esempi. Un gemello digitale è una copia virtuale della macchina fisica e del pezzo in fase di costruzione. Non è solo un modello 3D statico; è una simulazione viva che riceve dati in tempo reale da sensori che osservano la macchina reale, permettendole di rispecchiare il mondo fisico mentre accade. Quando queste due tecnologie vengono combinate, promettono di trasformare la produzione da un processo reattivo, in cui i difetti vengono trovati dopo che si sono verificati, in uno proattivo, in cui i problemi vengono previsti e corretti prima ancora che il metallo si raffreddi.

Un team di ricercatori dell'Università del Texas Rio Grande Valley si è recentemente posto l'obiettivo di mappare lo stato attuale di questa tecnologia. Hanno condotto una revisione sistematica di 130 studi scientifici pubblicati tra il 2016 e il 2026, analizzando come il machine learning e i gemelli digitali siano attualmente utilizzati nella deposizione di energia diretta. Il loro lavoro, pubblicato in una revisione sistematica della letteratura, rivela un campo che avanza rapidamente ma che si trova ancora al limite di una grande transizione. I ricercatori hanno scoperto che, sebbene gli scienziati siano diventati molto bravi nell'usare telecamere e sensori per osservare il processo e prevedere quando qualcosa potrebbe andare storto, non hanno ancora padroneggiato completamente la capacità di correggere automaticamente tali problemi in tempo reale.

La revisione evidenzia che i materiali più comunemente studiati sono tipi specifici di acciaio e superleghe a base di nichel, essenziali per i settori aerospaziale ed energetico. I metodi di produzione più frequentemente utilizzati sono la deposizione ad arco con filo (wire arc deposition), che utilizza un arco elettrico per fondere il filo metallico, e la deposizione basata su laser, che utilizza un laser ad alta potenza per fondere la polvere metallica. In questi studi, l'attenzione principale è stata posta sul "vedere" il processo. I ricercatori hanno equipaggiato le macchine con telecamere ad alta velocità e sensori termici per catturare immagini della pozza fusa. Successivamente, caricano questi dati visivi in modelli di machine learning, spesso utilizzando reti neurali complesse che agiscono come occhi digitali. Questi modelli hanno mostrato un successo straordinario nell'identificare i difetti. Alcuni studi hanno riportato che questi sistemi potevano rilevare crepe o fori con tassi di accuratezza superiori al 99 percento, o prevedere la forma del cordone metallico con alta precisione.

Tuttavia, gli autori sottolineano un divario critico tra il vedere un problema e il risolverlo. La maggior parte dei sistemi di gemelli digitali esaminati finora funziona più come un "ombra digitale" (digital shadow). In questa configurazione, i dati fluiscono in una sola direzione: dalla macchina fisica al modello virtuale. Il modello virtuale può dire agli operatori: "Guarda, si sta formando un difetto" o "La temperatura è troppo alta". Ma raramente prende iniziative da solo. La connessione tra la previsione virtuale e la macchina fisica è spesso interrotta. Invece di far sì che il computer regoli automaticamente la potenza del laser o la velocità del braccio robotico per correggere l'errore, il sistema di solito si ferma e attende l'intervento di un operatore umano. I ricercatori osservano che, sebbene alcuni studi avanzati abbiano dimostrato il controllo a ciclo chiuso (closed-loop control) — dove il sistema regola automaticamente il processo per correggere un errore — questi sono l'eccezione, non la regola.

La revisione identifica inoltre significativi ostacoli che impediscono a queste tecnologie di essere utilizzate ampiamente nell'industria. Un problema principale è la mancanza di dati. Addestrare un modello di machine learning richiede migliaia di esempi sia di parti buone che di parti difettose. Nella deposizione di energia diretta, creare questi esempi è costoso e richiede tempo. Spesso è necessario distruggere il pezzo finito per ispezionarlo internamente, il che significa che i ricercatori non possono raccogliere facilmente i massicci dataset necessari per istruire i computer. Per far fronte a ciò, alcuni ricercatori utilizzano tecniche come il transfer learning, dove un modello addestrato su un tipo di metallo viene adattato per funzionare su un altro, oppure utilizzano simulazioni basate sulla fisica per generare dati virtuali. Eppure, gli autori avvertono che questi metodi non sono perfetti. Un modello addestrato su una macchina o su un materiale specifico spesso fatica a funzionare su una configurazione diversa, limitandone l'utilità in un ambiente di fabbrica diversificato.

Inoltre, i ricercatori hanno scoperto che gli attuali gemelli digitali sono spesso troppo semplici per gestire la complessità della produzione reale. Un vero gemello digitale dovrebbe essere in grado di comunicare avanti e indietro con la macchina fisica, aggiornando costantemente la propria comprensione sulla base di nuovi dati e usando tale conoscenza per guidare le azioni della macchina. Attualmente, molti sistemi sono frammentati. Possono essere eccellenti nel monitorare la temperatura o prevedere la geometria, ma mancano della capacità di integrare tutte queste informazioni in un unico processo decisionale autonomo. La revisione suggerisce che, affinché queste tecnologie raggiungano il loro pieno potenziale, il campo debba andare oltre gli esperimenti isolati. La ricerca futura deve concentrarsi sulla creazione di sistemi standardizzati che possano gestire dati da più sensori contemporaneamente, operare in tempo reale senza ritardi e, soprattutto, chiudere il ciclo tra previsione e azione.

Gli autori concludono che, sebbene le fondamenta siano state gettate, la casa non è ancora costruita. La capacità di prevedere i difetti è ben stabilita, ma la capacità di correggerli autonomamente rimane incompleta. Il passo successivo per l'industria è sviluppare sistemi robusti a ciclo chiuso, dove la macchina non si limita a osservare se stessa, ma guida attivamente il proprio percorso. Ciò richiede non solo algoritmi migliori, ma anche un'integrazione più profonda delle leggi fisiche nei modelli informatici e un impegno a condividere i dati tra diverse macchine e materiali. Fino ad allora, la deposizione di energia diretta rimarrà una tecnologia di grande promessa, frenata dalla necessità di colmare il divario tra l'osservare il processo e il controllarlo veramente.