Essere in grado di produrre parti in plastica personalizzate su richiesta è stato trasformativo sia per l’industria che per gli hobbisti. Ma la stampa 3D non riguarda più solo la plastica: materiali come cemento, metallo, legno e anche materiali conduttivi e magnetici hanno aperto nuovi mondi di possibilità. Sfortunatamente, stampare con nuovi materiali può essere molto difficile. Capire come ottenere stampe di successo da un nuovo materiale è in genere un processo lungo e costoso, fatto di tentativi ed errori. Possono essere necessarie migliaia di stampe per determinare i parametri corretti, come la velocità di stampa e il tasso di deposito del materiale. A peggiorare le cose, i valori dei parametri ideali possono cambiare al variare delle condizioni ambientali e tra i lotti di materiale. Pensavate fosse più facile, vero?

Problemi come questi possono impedire a molti di sperimentare l’utilizzo di materiali alternativi nella stampa 3D, perdendo tutte le possibilità che offrono. All’orizzonte, tuttavia, potrebbe esserci una nuova strada percorribile. I ricercatori del MIT hanno sviluppato un metodo per semplificare il processo di scelta dei parametri di stampa 3D ottimali con l’aiuto dell’apprendimento automatico. Il sistema utilizza la visione artificiale per monitorare le stampe in tempo reale e può persino correggere le stampe “al volo” prima che sia troppo tardi e si possa soltanto buttare tutto il lavoro fatto.

 

 

Innanzitutto, il team doveva configurare l’hardware, quindi una stampante 3D è stata dotata di un paio di telecamere puntate sull’estrusore. Le luci vengono quindi proiettate sul materiale mentre viene depositato in modo che la quantità di luce che passa possa essere catturata dalle telecamere per fungere da proxy per lo spessore del materiale stesso. Tali dati vengono inseriti in una rete neurale, in tempo reale, in grado di fare previsioni sui migliori parametri da utilizzare per la stampa. Tali previsioni possono quindi essere utilizzate per ottimizzare la stampante mentre procede con la stampa.

Prima che la rete fosse pronta per essere utilizzata, ovviamente doveva essere addestrata. Il team ha deciso un approccio basato sull’apprendimento per rinforzo, in cui il modello apprende attraverso tentativi ed errori. Quando un insieme di parametri produce un oggetto molto vicino all’output atteso, il modello viene premiato in modo che sappia di essere sulla strada giusta. Ma per ottenere un alto grado di precisione con un modello come questo, dovrebbero essere mostrate milioni di stampe.

Nel video potete vedere il modello all’opera:

 

 

 

 

 

 

 

 

 

 

 

 

 

Per ovvi motivi, invece di creare tutte queste stampe 3D fisiche, i ricercatori hanno deciso di farlo in un ambiente simulato. Tuttavia, il mondo reale non è così bello e ordinato come ci si potrebbe aspettare da una simulazione computazionale, quindi è stato necessario prima iniettare un po’ di “rumore” nella simulazione con un modello numerico che si avvicina molto al rumore visto con una stampante 3D del mondo reale . Ciò ha prodotto dati molto realistici e ha permesso di raccoglierli molto rapidamente.

Dopo che gli ostacoli sono stati eliminati, era tempo di controllare e vedere se tutto questo lavoro era effettivamente andato a buon fine. Questo nuovo controller della stampante basato sull’apprendimento automatico è stato confrontato con alcuni controller tradizionali. Si è scoperto che la nuova tecnica produce risultati più accurati e si è notato che si comportava particolarmente bene quando si trattava di stampa a riempimento. I metodi esistenti spesso depositavano troppo materiale, a volte al punto in cui l’oggetto di prova si gonfiava e veniva rovinato, ma il nuovo metodo regolava i parametri e manteneva la stampa sulla strada giusta.

Il controller è stato persino ritenuto in grado di adattarsi ai nuovi materiali sul campo, senza la necessità di riconvalidare il processo di produzione. Con i successi ottenuti finora con la stampa 3D, il team sta ora tentando di capire come applicare la propria innovazione ad altri processi di produzione, ad esempio su come utilizzare il loro metodo quando vengono stampati più materiali contemporaneamente.

 

Join our groups on Telegram…

• Gruppo Maker Italia
• Canale Offerte per prodotti maker