Uncertainty Quantification for Metal Additive Manufacturing

Uncertainty Quantification (UQ) methodologies are very effective for reducing uncertainties of often unknown Additive Manufacturing (AM) process parameters. We could argue that UQ techniques with the digitization and automation of AM processes are perfect combination to produce components with very complex geometries and remarkably high mechanical performance. Although UQ approach is suitable for optimizing AM process, only a few examples are reported in literature and are mainly based on production-level experiments. However, interest in applying Uncertainty Quantification methodologies has grown rapidly in recent years, especially in research field. The real challenge for research is UQ technology for computational models validation. Complexities of using UQ technologies for AM based on a computational model are linked to unknown and uncertain parameters and to intrinsic uncertainty of computational model. The aim of this thesis is the estimation of uncertain parameters for a Laser Powder Bed Fusion (L-PBF AM) process of a Inconel 625 beam thermomechanical model using Uncertainty Quantification techniques. Precisely for our goals a weakly coupled thermomechanical analysis is used to simulate the LPBF-AM process of computational model and an Inverse Uncertainty Quantification (IUQ) algorithm, based on the inverse Bayesian approach, is used for process parameters calibration. IUQ Analysis was conducted in collaboration with IMATI in Pavia, using Sparse Grid Matlab Kit. Specifically, to validate the thermomechanical model response, a Sigle-Fidelity Surrogate Model is implemented. For the FEM simulation of L-PBF process Ansys Additive Wizard extension was used; precisely Mechanical and Workbench applications of Ansys2021-R2 were used. Numerical results are compared with AM-Bench experimental data of the National Institute of Standards and Technologies (NIST). To further reduce time required to complete the high number of FEM simulations required to perform a thorough UQ analysis, we have on an HPC server form A3cube Srl provided with AMD EPYC 7702 @ 1.67GHz and 376GB di RAM.

Metodo inverso della Quantificazione di Incertezza per la produzione additiva di metalli. Le metodologie di quantificazione dell'incertezza (UQ) sono molto efficaci per ridurre le incertezze di parametri di processo di produzione additiva (AM) spesso sconosciuti. Potremmo sostenere che le tecniche UQ con la digitalizzazione e l'automazione dei processi AM sono una combinazione perfetta per produrre componenti con geometrie molto complesse e prestazioni meccaniche notevolmente elevate. Sebbene l'approccio UQ sia adatto per ottimizzare il processo AM, in letteratura sono riportati solo pochi esempi e si basano principalmente su esperimenti a livello di produzione. Tuttavia, l'interesse nell'applicazione delle metodologie di quantificazione dell'incertezza è cresciuto rapidamente negli ultimi anni, soprattutto nel campo della ricerca. La vera sfida per la ricerca è la tecnologia UQ per la validazione dei modelli computazionali. Le complessità dell'utilizzo delle tecnologie UQ per AM basate su un modello computazionale sono legate a parametri sconosciuti e incerti e all'incertezza intrinseca del modello computazionale. Lo scopo di questa tesi è la stima di parametri incerti per un processo di fusione a letto di polvere laser (L-PBF AM) di un modello termomeccanico a fascio Inconel 625 utilizzando tecniche di quantificazione dell'incertezza. Proprio per i nostri obiettivi viene utilizzata un'analisi termomeccanica debolmente accoppiata per simulare il processo LPBF-AM del modello computazionale e un algoritmo di quantificazione dell'incertezza inversa (IUQ), basato sull'approccio bayesiano inverso, viene utilizzato per la calibrazione dei parametri di processo. L'analisi IUQ è stata condotta in collaborazione con IMATI di Pavia, utilizzando lo Sparse Grid Matlab Kit. In particolare, per convalidare la risposta del modello termomeccanico, viene implementato un modello surrogato Sigle-Fidelity. Per la simulazione FEM del processo L-PBF è stata utilizzata l'estensione Ansys Additive Wizard; precisamente sono state utilizzate le applicazioni Mechanical e Workbench di Ansys2021-R2. I risultati numerici vengono confrontati con i dati sperimentali AM-Bench del National Institute of Standards and Technologies (NIST). Per ridurre ulteriormente il tempo necessario per completare l'elevato numero di simulazioni FEM necessarie per eseguire un'analisi UQ approfondita, disponiamo di un server HPC di A3cube Srl dotato di AMD EPYC 7702 @ 1.67GHz e 376GB di RAM.