Approccio combinato di analisi FEM e Machine Learning per la previsione dell'evoluzione microstrutturale durante l'estrusione di profili in lega AA6063

Lo studio della microstruttura delle leghe di alluminio è di fondamentale importanza per analizzare, approfondire e migliorare le proprietà meccaniche di questi materiali. Le leghe sono largamente utilizzate in diversi settori, soprattutto in quelli automotive e aeronautico, grazie alle buone caratteristiche di resistenza agli urti, resistenza alla corrosione, di estetica e al peso ridotto. Nella trattazione di questa tesi si è partiti dal processo di estrusione di una lega di alluminio AA6063, per poi focalizzarsi sulla microstruttura del materiale e sulle tecniche per calcolare la dimensione del grano dopo la ricristallizzazione statica del materiale. Attraverso QForm, il software utilizzato in questo lavoro per le simulazioni FEM, si sono analizzati tre diversi provini in AA6063: “S01”, dell’azienda Hydro, e due profili di dimensioni industriali, “Benchmark” e “Pinter1”; dalle simulazioni sono stati estrapolati diversi dati di output utili allo studio. Questi sono stati raccolti e organizzati in tabelle. Da qui abbiamo gli input utilizzati nell’algoritmo di Machine Learning, mentre i dati di output saranno le dimensioni medie del grano ricristallizzato. Nelle simulazioni, variando i parametri di input, si è analizzata la differenza tra il risultato previsionale e il risultato reale della dimensione del grano, e attraverso l’errore percentuale si sono messe in evidenza le combinazioni di input che hanno fornito gli esiti migliori e quelle che hanno fornito gli esiti peggiori. La tesi ha l’obiettivo di porre le prime basi allo sviluppo di una metodologia di previsione delle microstrutture delle leghe di alluminio, utilizzando un approccio combinato che sfrutta la simulazione FEM e algoritmi di Machine Learning.