Crédito: fabricación aditiva (2025). Doi: 10.1016/j.addma.2025.104736
Investigadores de la Universidad de Toronto Engineering, dirigidos por el profesor Yu Zou, están aprovechando el aprendizaje automático para mejorar la fabricación aditiva, también comúnmente conocida como impresión 3D.
En un nuevo artículo publicado en el Journal of Additive Manufacturing, el equipo presenta un nuevo marco que han denominado el marco preciso de optimización de procesos inversos en la deposición de energía dirigida por láser (ayudado).
El nuevo marco asistido optimiza la impresión 3D láser para mejorar la precisión y robustez del producto terminado. Este avance tiene como objetivo producir piezas metálicas de mayor calidad para industrias, como la atención aeroespacial, automotriz, nuclear y de la salud, al predecir cómo el metal se derretirá y se solidificará para encontrar condiciones de impresión óptimas.
“La adopción más amplia de la deposición de energía dirigida, una tecnología de impresión 3D de metal importante, actualmente se ve obstaculizada por el alto costo de encontrar parámetros de proceso óptimos a través de prueba y error”, dice Xiao Shang, Ph.D. candidato y primer autor del nuevo estudio.
“Nuestro marco identifica rápidamente los parámetros de proceso óptimos para varias aplicaciones basadas en las necesidades de la industria”.
La fabricación de aditivos de metal utiliza un láser de alta potencia para fusionar selectivamente el polvo metálico fino, construyendo piezas de piezas por capa de un modelo digital 3D preciso.
A diferencia de los métodos tradicionales, que implican materiales de corte, fundición o mecanizado, la fabricación de aditivos de metal crea directamente componentes complejos y altamente personalizados con desechos de material mínimo.
“Un desafío importante de la impresión de metales 3D es la velocidad y la precisión del proceso de fabricación”, dice Zou. “Las variaciones en las condiciones de impresión pueden conducir a inconsistencias en la calidad del producto final, lo que dificulta cumplir con los estándares de la industria para la confiabilidad y la seguridad.
“Otro desafío importante es determinar la configuración óptima para imprimir diferentes materiales y piezas. Cada material, ya sea titanio para aplicaciones aeroespaciales y médicas o acero inoxidable para reactores nucleares, tiene propiedades únicas que requieren una potencia láser específica, la velocidad de escaneo y las condiciones de temperatura. Encontrar la combinación correcta de estos parámetros en un rango de parámetros de proceso vast de los parámetros de proceso es una tarea compleja y de tiempo de tiempo”.
Estos desafíos inspiraron a Zou y su grupo de laboratorio a desarrollar su nuevo marco. Ayudado opera en un sistema de circuito cerrado donde un algoritmo genético, un método que imita la selección natural para encontrar soluciones óptimas, primero sugiere combinaciones de parámetros de proceso, que los modelos de aprendizaje automático evalúan la calidad de la impresión.
El algoritmo genético verifica estas predicciones para optimizar, repitiendo el proceso hasta que se encuentren los mejores parámetros.
“Hemos demostrado que nuestro marco puede identificar parámetros de proceso óptimos de objetivos personalizables en tan solo una hora, y predice con precisión las geometrías de los parámetros del proceso”, dice Shang. “También es versátil y se puede usar con varios materiales”.
Para desarrollar el marco, los investigadores realizaron numerosos experimentos para recopilar sus vastos conjuntos de datos. Este desafío esencial pero que requiere mucho tiempo aseguró que los conjuntos de datos cubrieran una amplia gama de parámetros de proceso.
Mirando hacia el futuro, el equipo está trabajando para desarrollar un sistema de fabricación aditivos autónomo o autónomo mejorado que opera con una intervención humana mínima, similar a la forma en que los vehículos autónomos se conducen, dice Zou.
“Al combinar métodos de fabricación de aditivos de vanguardia con inteligencia artificial, nuestro objetivo es crear un nuevo sistema láser autónomo controlado por el circuito cerrado”, dice.
“Este sistema será capaz de detectar posibles defectos en tiempo real, predecir problemas antes de que ocurran, y ajustar automáticamente los parámetros de procesamiento para garantizar la producción de alta calidad. Será lo suficientemente versátil como para trabajar con diferentes materiales y geometrías de parte, lo que lo convierte en un cambio de juego para las industrias manufactureras”.
Mientras tanto, los investigadores esperan que ayuden a transformar la optimización de procesos en las industrias que usan la impresión 3D de metal.
“Industrias como aeroespacial, biomédica, automotriz, nuclear y más darían la bienvenida a una solución tan de bajo costo pero precisa para facilitar su transición de la fabricación tradicional a la impresión 3D”, dice Shang.
“Para el año 2030, se espera que la fabricación aditiva remodele la fabricación en múltiples industrias de alta precisión”, agrega Zou. “La capacidad de corregir de forma adaptativa los defectos y optimizar los parámetros acelerará su adopción”.
Más información: Xiao Shang et al, Marco preciso de optimización de procesos inversos en deposición de energía dirigida por láser, fabricación aditiva (2025). Doi: 10.1016/j.addma.2025.104736
Proporcionado por la Universidad de Toronto
Cita: El nuevo marco de aprendizaje automático mejora la precisión, la eficiencia en la impresión 3D de metal (2025, 21 de marzo) Recuperado el 22 de marzo de 2025 de https://techxplore.com/news/2025-03-machine-framework-precision-effience-metal.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
