Modellazione tramite machine learning basata sui dati nella EDM a filo della lega a memoria di forma TiNiCo

Metalli intelligenti che ricordano la loro forma

Immaginate un filo metallico che può essere piegato fuori forma e poi, con un po’ di calore, tornare silenziosamente alla sua configurazione originale. Questi metalli “a memoria di forma” sono già studiati per impianti medici, microcomponenti robotici e parti aerospaziali. Ma per impiegarli nei dispositivi reali, gli ingegneri devono tagliarli e sagomarli senza compromettere le proprietà che li rendono speciali. Questo studio indaga come sezionare con precisione una lega a memoria di forma di titanio–nichel–cobalto utilizzando scintille invece di lame, e come il machine learning possa aiutare a ottimizzare il processo per ottenere superfici lisce e un’operazione di taglio efficiente.

Tagliare con scintille invece che con lame

I ricercatori lavorano con una specifica lega chiamata Ti₅₀Ni₄₀Co₁₀, appartenente a una famiglia di metalli in grado di “ricordare” la loro forma originale e di comportarsi come una molla anche dopo grandi deformazioni. Gli utensili tradizionali faticano con queste leghe: sono resistenti, induriscono durante la deformazione e possono perdere il comportamento di memoria di forma se surriscaldate o danneggiate. Per evitare questi problemi, il gruppo utilizza la lavorazione per scarica elettrica a filo (WEDM). In questo metodo, un sottile filo di ottone non tocca mai fisicamente il pezzo. Il metallo è immerso in un liquido e rapide scintille elettriche saltano su un gap microscopico tra filo e pezzo, fondendo e vaporizzando il materiale su un percorso stretto per creare il taglio.

Trovare le impostazioni di scintilla corrette

Anche con la WEDM, ottenere un buon compromesso tra velocità di taglio e qualità superficiale è complesso. Ogni scintilla è regolata da parametri come la sua durata e la distanza tra filo e pezzo. Questo studio si concentra su due leve particolarmente importanti: il tempo di impulso (pulse-on time, cioè quanto dura ciascuna scintilla) e la tensione del servocomando (servo voltage, che aiuta a controllare il gap tra filo e metallo e quindi la forza e la stabilità della scintilla). Variando con cura queste due impostazioni mantenendo fissi gli altri parametri, gli autori misurano due risultati chiave: la velocità di asportazione del materiale (material removal rate, MRR) e la rugosità della superficie dopo il taglio (surface roughness, SR). Ispezionano inoltre le superfici tagliate in 3D e con microscopi elettronici per osservare la formazione di crateri profondi, crepe e strati di metallo ri-solidificato.

Come appare la superficie metallica da vicino

Lasciare che una rete neurale apprenda le impostazioni migliori

Poiché la relazione tra impostazioni di scintilla e qualità superficiale è complessa e fortemente non lineare, il team ricorre alla modellazione guidata dai dati. Alimentano i risultati di 25 esperimenti WEDM in una rete neurale artificiale, un tipo di modello di machine learning capace di apprendere pattern dagli esempi. La rete prende in input il tempo di impulso e la tensione del servocomando e predice in output sia la rugosità superficiale sia la velocità di asportazione del materiale. Con la maggior parte dei dati usata per l’addestramento e una parte minore riservata per test e validazione, il modello impara rapidamente a riprodurre i risultati sperimentali. Le metriche statistiche mostrano un’elevata corrispondenza tra valori predetti e misurati, con errori medi ridotti e senza forti bias, suggerendo che la rete neurale può prevedere con affidabilità come si comporterà una nuova combinazione di impostazioni all’interno dell’intervallo testato.

Perché questo è importante per i dispositivi reali

Per gli ingegneri che progettano impianti medici o attuatori in miniatura in leghe a memoria di forma, ogni taglio deve essere accurato e sufficientemente delicato da preservare il comportamento speciale del materiale. Questo studio dimostra che combinando taglio controllato basato su scintille e machine learning è possibile identificare impostazioni che offrono un compromesso accettabile tra velocità di taglio e qualità superficiale, mantenendo intatta gran parte della struttura interna della lega. Sebbene il dataset sia modesto e siano necessari ulteriori test delle prestazioni funzionali, il lavoro mostra una via pratica verso una lavorazione “intelligente”: invece del metodo del tentativo ed errore, i produttori possono affidarsi a modelli addestrati per individuare rapidamente condizioni di processo che generino parti più lisce e affidabili da questi metalli altrimenti difficili da lavorare.

Citazione: Tyagi, R., Soni, H., Tripathi, A. et al. Data-driven machine learning modelling in wire EDM of TiNiCo shape memory alloy. Sci Rep 16, 11845 (2026). https://doi.org/10.1038/s41598-026-41113-1

Parole chiave: lega a memoria di forma, EDM a filo, rugosità superficiale, velocità di asportazione del materiale, modellazione con rete neurale