Ottimizzazione multi-obiettivo e predizione basata su machine learning della formatura incrementale a caldo con scanalatura dritta della lega di magnesio AZ31

Formare metalli leggeri più facilmente

Dalle automobili e dagli aerei agli impianti medicali, i produttori sono interessati a utilizzare metalli più leggeri che possono ridurre il consumo di carburante e migliorare le prestazioni. Le leghe di magnesio sono particolarmente attraenti perché sono sia leggere sia resistenti, ma sono anche difficili da deformare a temperatura ambiente e possono incrinarsi facilmente. Questo studio esplora un modo più intelligente di ottenere componenti da una comune lega di magnesio, AZ31, riscaldandola delicatamente e usando metodi guidati dai dati — incluso il machine learning — per individuare parametri che siano veloci, energeticamente efficienti e meno propensi a danneggiare il materiale.

Come uno strumento in movimento scava delicatamente una lamiera

Invece di premere una lamiera in uno stampo solido con un unico colpo, la formatura incrementale della lamiera utilizza uno strumento arrotondato che traccia un percorso sulla lamiera, spingendola un po più a fondo a ogni passaggio. In questo lavoro, il team si è concentrato su una scanalatura dritta: un canale semplice formato in lamiere AZ31 spesse 1 mm. La lamiera è bloccata sopra una camera di riscaldamento elettrica su misura in modo che possa essere riscaldata a 200–250 °C, e una macchina a controllo numerico (CNC) muove lo strumento passo dopo passo mentre un sensore di forza misura quanto intensamente lo strumento deve spingere e quanto dura il processo fino a quando la lamiera si frattura.

Trasformare molte prove in un’unica ricetta ottimale

Poiché quattro diversi parametri — temperatura, profondità di discesa per passata, velocità di rotazione del mandrino e velocità di avanzamento — possono essere regolati, i ricercatori hanno utilizzato un piano di prova strutturato chiamato disegno di Taguchi per eseguire 27 esperimenti accuratamente selezionati invece di provare ogni possibile combinazione. Hanno quindi applicato un metodo di classificazione noto come TOPSIS che combina due obiettivi contemporaneamente: mantenere basse le forze di formatura (per ridurre l’usura e il consumo energetico) e mantenere brevi i tempi di formatura (per migliorare la produttività). Questo metodo assegna a ciascuna prova un punteggio singolo, chiamato coefficiente di vicinanza, che indica quanto si avvicina al migliore risultato immaginabile — bassa forza e basso tempo insieme.

Il calore e i piccoli passi fanno il lavoro pesante

L’analisi ha mostrato che due parametri sono i più importanti: quanto è calda la lamiera e quanto è profondo ogni passo verticale dello strumento. Riscaldare la lamiera AZ31 intorno a 250 °C rende la sua struttura cristallina interna più malleabile, così può allungarsi più facilmente e richiede meno forza per essere deformata. Allo stesso tempo, usare una minore profondità per passata distribuisce la deformazione in modo più graduale, evitando forti deformazioni locali che rallentano il processo e aumentano la forza. La velocità di rotazione dello strumento e la velocità di avanzamento hanno avuto solo un’influenza minore negli intervalli testati. Combinando le classifiche statistiche, il team ha previsto un set di condizioni ancora migliore rispetto a qualsiasi singolo esperimento e ha quindi confermato questa previsione in un test successivo, che ha leggermente superato tutte le prove precedenti.

Insegnare a un computer a prevedere il processo

Per andare oltre il tentativo ed errore, i ricercatori hanno addestrato un modello di machine learning chiamato Random Forest per prevedere il tempo di formatura, la forza di formatura e il punteggio di prestazione TOPSIS a partire dai quattro parametri di processo. Anche con solo 27 punti dati sperimentali, il modello ha appreso i pattern in misura sufficiente per prevedere con alta precisione forza e tempo. Ha inoltre messo in evidenza in modo indipendente temperatura e profondità per passata come le leve dominanti, rafforzando i risultati statistici. A livello microscopico, immagini al microscopio elettronico delle pareti della scanalatura fratturate hanno mostrato segni classici di rottura duttile — profonde dimples e creste da strappo — indicando che, in condizioni di riscaldamento, il metallo si allunga ampiamente prima di rompersi definitivamente.

Cosa significa per la manifattura reale

In termini pratici, questo lavoro mostra come i produttori possano convincere un metallo leggero e difficile da formare a prendere forma combinando riscaldamento controllato con la regolazione attenta di pochi parametri chiave. L’approccio ibrido — che mescola esperimenti pianificati, classificazione multi-criterio e machine learning — fornisce una ricetta pratica per scegliere temperature e dimensioni dei passi che mantengono le forze basse e i tempi di produzione ragionevoli, senza dover testare ogni possibilità in officina. La stessa strategia potrebbe essere estesa ad altre leghe e forme, aiutando le fabbriche a progettare componenti più leggeri più rapidamente, in modo più sicuro ed efficiente.

Citazione: Khot, A.A., Magdum, R.A., Magdum, A.R. et al. Multi-response optimization and machine learning-based prediction of straight-groove warm incremental sheet forming of AZ31 magnesium alloy. Sci Rep 16, 6432 (2026). https://doi.org/10.1038/s41598-026-37761-y

Parole chiave: formatura incrementale di lamiera, lega di magnesio AZ31, formatura a caldo, ottimizzazione del processo, machine learning nella manifattura