Prevedere il consumo energetico nella directed energy deposition usando transfer learning integrato con apprendimento incrementale

Perché è importante un uso più intelligente dell’energia nella stampa 3D

La stampa 3D metallica può creare componenti complessi per motori a reazione e impianti medici, ma spesso consuma molta energia elettrica. Questa energia ha un costo economico e uno climatico. L’articolo esplora un modo per insegnare ai computer a prevedere in modo affidabile, e in prospettiva a ridurre, l’energia impiegata in un particolare tipo di stampa 3D metallica, anche quando sono disponibili solo pochi dati. Per chi si occupa di produzione più verde o di prodotti high‑tech a costo ridotto, questo lavoro indica la direzione verso fabbriche più intelligenti ed efficienti.

Come si costruiscono pezzi metallici con la luce

Molte stampanti 3D metalliche funzionano concentrando un laser o un fascio di elettroni su un flusso o un letto di polvere metallica. Nel processo di directed energy deposition (DED) studiato qui, la polvere viene soffiata in una piccola pozza di fusione creata da un laser, costruendo il pezzo strato dopo strato. Sebbene questo approccio sprechi meno materiale rispetto alla lavorazione per asportazione, richiede comunque molta potenza perché la macchina deve fondere e solidificare ripetutamente il metallo. L’energia esatta impiegata dipende dalla lega, dalla potenza del laser, dalla velocità di movimento e dalla velocità di alimentazione della polvere, tra gli altri fattori. Prevedere il consumo energetico a partire da questi parametri è difficile, ma cruciale per controllare i costi e stimare le emissioni di carbonio.

Perché gli strumenti di previsione usuali non bastano

I ricercatori hanno provato a usare sia modelli fisici sia il machine learning convenzionale per prevedere il consumo energetico nella manifattura additiva. I modelli basati sulla fisica faticano a catturare tutte le influenze disordinate del mondo reale, mentre il machine learning standard solitamente richiede grandi dataset ricchi che includano non solo le impostazioni del processo ma anche misure dai sensori e immagini. Raccogliere dati così dettagliati è costoso e richiede tempo. Peggio ancora, i modelli addestrati su un metallo o su una configurazione macchina spesso falliscono quando le condizioni cambiano. Un modello che funziona per una lega di nichel può non funzionare per una lega cobalto‑cromo, e un modello tarato su una certa potenza del laser può scadere a potenze diverse.

Un quadro di apprendimento che sfrutta ciò che già conosce

Gli autori combinano due idee — transfer learning e apprendimento incrementale — per affrontare questi limiti. Il transfer learning consente a un modello di riutilizzare quanto ha appreso sul consumo energetico in una situazione, per esempio stampando con cobalto‑cromo (CoCrMo), quando viene applicato a un’altra, come la stampa con una lega a base di nichel (IN718). L’apprendimento incrementale permette di aggiornare il modello passo dopo passo man mano che arrivano nuovi dati, invece di riaddestrarlo da zero. Nel loro schema, il modello viene prima addestrato a fasi su un materiale, iniziando con campioni realizzati a potenze laser più basse e poi aggiungendo campioni a potenze più alte. Il modello addestrato viene quindi riaddestrato in modo leggero su poche decine di campioni del nuovo materiale o del nuovo livello di potenza in modo da adattarsi senza richiedere un grande nuovo dataset.

Testare diversi modi in cui i computer riconoscono i pattern

Per valutare l’efficacia del quadro proposto, il team ha stampato 20 piccoli pezzi di test usando polveri CoCrMo e IN718 misurando l’energia elettrica consumata in ogni istante. Hanno usato soltanto sei input semplici — passo temporale, potenza del laser, velocità di scansione, velocità di alimentazione della polvere, numero di strato e se la macchina stava effettivamente costruendo o meno — per prevedere l’energia a ogni istante. Sono stati confrontati quattro tipi di modelli: un metodo basato su alberi (XGBoost), una rete ricorrente (LSTM), una rete convoluzionale temporale (TCN) e un modello transformer che usa meccanismi di attenzione. Su tre compiti — passare da CoCrMo a IN718, da IN718 a CoCrMo e dal basso all’alto livello di potenza del laser in IN718 — l’approccio di transfer learning incrementale ha fornito costantemente previsioni più vicine alle misure reali rispetto ai modelli addestrati nel modo convenzionale.

Quale approccio ha funzionato meglio

Tra i quattro modelli, la rete convoluzionale temporale si è distinta. Con il framework di transfer learning incrementale ha raggiunto un errore medio di circa 4,65 percento e ha spiegato circa il 92 percento della variazione nel consumo energetico, risultando comunque ragionevolmente veloce da addestrare. Anche l’LSTM ha dato buone prestazioni, mentre transformer e XGBoost sono rimasti leggermente indietro in accuratezza, sebbene XGBoost fosse il più rapido nell’addestramento. I modelli migliorati sono stati particolarmente più efficaci nel catturare cali e picchi improvvisi di energia — gli sbalzi che segnano l’avvio, l’arresto o il cambio di strato del laser — invece di attenuarli.

Cosa significa per una produzione più pulita

In termini semplici, lo studio mostra che una strategia di apprendimento intelligente e stratificata consente ai computer di prevedere con precisione quanta potenza assorbirà una stampante 3D metallica, anche quando gli ingegneri dispongono solo di poche prove sperimentali e quando materiali o impostazioni di processo cambiano. Questo tipo di previsione è un passo chiave verso la messa a punto automatica delle stampanti per consumare meno energia mantenendo la qualità dei pezzi, e verso la stima delle emissioni senza misurazioni esaustive. Sebbene le fabbriche reali presentino variazioni ancora maggiori rispetto alle condizioni controllate di questo studio, l’approccio di riutilizzare e aggiornare gradualmente la conoscenza appresa offre una strada promettente verso una produzione più consapevole dal punto di vista energetico e più rispettosa del clima.

Citazione: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

Parole chiave: produzione additiva di metalli, previsione del consumo energetico, transfer learning, apprendimento incrementale, directed energy deposition