Applicazione delle reti neurali alla previsione della rugosità superficiale ottenibile tramite la fabbricazione additiva di fused deposition modeling

Tra le tecniche di prototipazione rapida o, più correttamente, di fabbricazione additiva, il Fused Deposition Modelling è una tecnologia in grado di costruire componenti per fini sia estetici che funzionali. L'introduzione di nuovi materiali e la riduzione dello spessore dello strato depositato hanno permesso la diffusione in diversi settori industriali della produzione di parti in piccola e media serie. La finitura superficiale è però rimasta l'aspetto più limitante. In particolare durante la fase di pianificazione del processo di fabbricazione è necessario conoscere in anticipo il risultato di detta finitura per poter rispettare le specifiche richieste del componente e, in ogni caso, permettere un'ottimizzazione dei parametri di processo. I modelli attuali non sono completi e robusti a sufficienza per prevedere i parametri di rugosità al variare di variabili di processo come lo spessore del layer e l'angolo di deposizione. Particolarmente erronee sono le attuali predizioni per valori dell'angolo di deposizione prossimi a 0\[Degree] e a 180\[Degree] ovvero per le pareti orizzontali. Lo scopo del presente lavoro è quello di determinare un modello completo e affidabile in grado di prevedere la finitura superficiale ottenibile in termini dei più noti e diffusi parametri di rugosità. Allo scopo le reti neurali sono state implementate a partire da un particolare set di dati. La sperimentazione è stata progettata al fine di fornire al sistema esperto i dati per l'inizializzazione, l'allenamento e la validazione della rete. Poichè sono state provate numerose funzioni e diverse configurazioni, è stata sviluppata una funzione di valutazione in grado di determinare la rete migliore a seconda del parametro considerato. La validazione, inoltre, è stata effettuata anche verificando i modelli trovati su macchine e materiali differenti mostrando come il sistema utilizzato sia robusto anche variando queste condizioni di prova. Il lavoro è stato possibile utilizzando il pacchetto Neural Networks in Mathematica 8.04 scelto per le seguenti prerogative: l'ambiente simbolico è stato sfruttato laddove risultava particolarmente difficile individuare i livelli dei parametri da scegliere; il linguaggio funzionale ha permesso di combinare la potenza delle reti con una mole di dati e combinazioni di configuazioni ragguardevole; la graficazione dei risultati è stata effettuata nello stesso sistema senza bisogno di altri software.