A deep learning approach to 3D Cold Spray shape simulation and toolpath planning optimization

Cold spray additive manufacturing is a thermal spray technique that allows the fabrication of large metal components with limited thermal effects. As a novel deposition technique, in-depth studies are essential to further unlock its capabilities, in particular by enabling geometry control and process parameter optimization. This can be achieved by coupling a time-efficient modelling strategy of sprayed deposit with process-specific slicing and toolpath planning strategies. This thesis presents two deep neural network predictive models for a single track of cold spray, respectively for predicting its 2D cross-section and full 3D shape, the training of which relies on the physical information of analytical models. The results show a drastically lower prediction time with minimal accuracy drop with respect to numerical models, strong flexibility with respect to mesh size and successful experimental validation. Moreover, the predictions were integrated in an optimization algorithm that tunes process parameters to obtain the best geometrical accuracy with respect to the STL model of the desired part and minimal material waste. The optimization algorithm includes methods for efficient slicing of the model, that adapts to local curvature variations, and parallel toolpath planning, that ensures continuous deposition while controlling surface waviness.

Il Cold Spray additive manufacturing è una tecnica di spruzzatura terminca che consente la produzione di componenti metallici di elevate dimensioni con effetti termici limitati. In quanto tecnica di deposizione innovativa, studi approfonditi sono necessari per raggiungerne il potenziale, in particolare riguardo il controllo dimensionale e geometrico e l'ottimizzazione di parametri di processo. I presenti obiettivi possono essere raggiunti combinando una strategia di modellazione del deposito metallico ad elevata efficienza computazionale con strategie di slicing e progettazione di traiettoria di riempimento specializzate al processo. Questa tesi presenta due reti neurali profonde per la previsione di una singola deposizione di cold spray, rispettivamente per la sua sezione bi-dimensionale e l'intera forma tri-dimensionale, il cui training sfrutta l'informazione fisica di modelli analitici. I risultati comprovano tempi di simulazione nettamente inferiori rispetto ai modelli analitici con minime variazioni di accuratezza, flessibilità nelle dimensioni della mesh e corretta validazione sperimentale. Inoltre, le simulazioni sono state integrate in un algoritmo di ottimizzazione, il quale regola i parametri di processo per ottenere la migliore accuratezza geometrica possibile rispetto al modello STL della parte da realizzare e minimo spreco di materiale. L'algoritmo di ottimizzazione include metodi per un efficace slicing del modello, che si adatta a variazioni di curvatura locale, e per creare traiettore di riempimento parallele, che consentano una deposizione continua controllando l'ondulazione superficiale.