Antes y después: por encima de una costura de soldadura por láser antes de “aprender”, debajo de una costura de soldadura del proceso optimizado por el algoritmo. Crédito: Laboratorios federales suizos para ciencia y tecnología de materiales
Los procesos basados en láser para metales se consideran particularmente versátiles en la industria. Los láseres se pueden usar, por ejemplo, a los componentes de precisión juntos o producen piezas más complejas utilizando la impresión 3D, de manera rápida, precisa y automática. Esta es la razón por la cual los procesos láser se utilizan en numerosos sectores, como las industrias automotriz y de aviación, donde se requiere la máxima precisión, o en tecnología médica, por ejemplo para la producción de implantes de titanio personalizados.
Sin embargo, a pesar de su eficiencia, los procesos láser son técnicamente desafiantes. Las interacciones complejas entre el láser y el material hacen que el proceso sea sensible a las desviaciones más pequeñas, ya sea en las propiedades del material o en los entornos de los parámetros del láser. Incluso las fluctuaciones menores pueden conducir a errores en la producción.
“Para garantizar que los procesos basados en láser puedan usarse de manera flexible y lograr resultados consistentes, estamos trabajando en una mejor comprensión, monitoreo y control de estos procesos”, dice Elia Iseli, líder del grupo de investigación en el laboratorio de procesamiento de materiales avanzados de Empa en Thun.
En línea con estos principios, Giulio Masinelli y Chang Rajani, dos investigadores de su equipo, quieren hacer que las técnicas de fabricación basadas en láser sean más asequibles, más eficientes y más accesibles, que usa el aprendizaje automático.
¿Vaporizar o derretir?
Primero, los dos investigadores se centraron en la fabricación aditiva, es decir, la impresión 3D de metales utilizando láseres. Este proceso, conocido como fusión del lecho de polvo (PBF), funciona de manera ligeramente diferente a la impresión 3D convencional. Las capas delgadas de polvo de metal se derriten por el láser exactamente en los puntos correctos para que el componente final esté “soldado” gradualmente de ellas.
PBF permite la creación de geometrías complejas que apenas son posibles con otros procesos. Sin embargo, antes de que la producción pueda comenzar, casi siempre se requiere una serie compleja de pruebas preliminares. Esto se debe a que básicamente hay dos modos para el procesamiento láser de metal, incluido PBF.
En el modo de conducción, el metal simplemente se derrite. En el modo de ojo de teclado, incluso se vaporiza en algunos casos. El modo de conducción más lento es ideal para componentes delgados y muy precisos. El modo de ojo de cerradura es un poco menos preciso, pero mucho más rápido y adecuado para piezas de trabajo más gruesas.
Donde exactamente el límite entre estos dos modos se encuentra depende de una variedad de parámetros. Se necesitan la configuración correcta para la mejor calidad del producto final, y estos varían mucho dependiendo del material que se procese. “Incluso un nuevo lote del mismo polvo de inicio puede requerir configuraciones completamente diferentes”, dice Masinelli.
Mejor calidad con menos experimentos
Normalmente, se debe realizar una serie de experimentos antes de cada lote para determinar la configuración óptima para parámetros como la velocidad de escaneo y la potencia láser para el componente respectivo. Esto requiere mucho material y debe ser supervisado por un experto. “Es por eso que muchas empresas no pueden permitirse el PBF en primer lugar”, dice Masinelli.
Masinelli y Rajani ahora han optimizado estos experimentos utilizando aprendizaje automático y datos de sensores ópticos que ya están incorporados en las máquinas láser. Los investigadores “enseñaron” su algoritmo a “ver” en qué modo de soldadura se encuentra actualmente en el láser durante una ejecución de prueba utilizando estos datos ópticos.
Según esto, el algoritmo determina la configuración para la siguiente prueba. Esto reduce el número de experimentos preliminares requeridos por alrededor de dos tercios, mientras mantiene la calidad del producto.
“Esperamos que nuestro algoritmo permita que los no expertos usen dispositivos PBF”, resume Masinelli. Todo lo que se necesitaría para que el algoritmo se utilice en la industria es la integración en el firmware de las máquinas de soldadura por láser por los fabricantes de dispositivos. La investigación se publica en la revista Aditive Manufacturing.
Optimización en tiempo real
PBF no es el único proceso láser que se puede optimizar utilizando el aprendizaje automático. En otro proyecto, Rajani y Masinelli se centraron en la soldadura por láser, pero fue un paso más allá. No solo optimizaron los experimentos preliminares, sino también el proceso de soldadura en sí. Incluso con la configuración ideal, la soldadura con láser puede ser impredecible, por ejemplo, si el haz láser golpea pequeños defectos en la superficie del metal.
“Actualmente no es posible influir en el proceso de soldadura en tiempo real”, dice Rajani. “Esto está más allá de las capacidades de los expertos humanos”. La velocidad a la que deben evaluarse los datos y las decisiones a tomar es un desafío incluso para las computadoras. Esta es la razón por la cual Rajani y Masinelli usaron un tipo especial de chip de computadora para esta tarea, una llamada matriz de compuerta programable de campo (FPGA).
“Con FPGA, sabemos exactamente cuándo ejecutarán un comando y cuánto tiempo llevará la ejecución, que no es el caso con una PC convencional”, explica Masinelli.
Sin embargo, el FPGA en su sistema también está vinculado a una PC, que sirve como una especie de “cerebro de respaldo”. Mientras que el chip especializado está ocupado observando y controlando los parámetros del láser, el algoritmo en la PC aprende de estos datos.
“Si estamos satisfechos con el rendimiento del algoritmo en el entorno virtual de la PC, podemos ‘transferirlo’ al FPGA y hacer que el chip sea más inteligente a la vez”, explica Masinelli.
Los dos investigadores de Empa están convencidos de que el aprendizaje automático y la inteligencia artificial pueden contribuir mucho más en el campo del procesamiento láser de metales. Es por eso que continúan desarrollando sus algoritmos y modelos y están expandiendo su área de aplicación, en colaboración con socios de la investigación y la industria.
Más información: Giulio Masinelli et al, Exploración autónoma del espacio de parámetros PBF-LB: un algoritmo basado en la incertidumbre para la generación de mapas de procesamiento automatizado, fabricación aditiva (2025). Doi: 10.1016/j.addma.2025.104677
Proporcionado por Swiss Federal Laboratories for Materials Science and Technology
Cita: El aprendizaje automático simplifica los procesos láser industriales para metales (2025, 27 de mayo) Recuperado el 27 de mayo de 2025 de https://techxplore.com/news/2025-05-machine-industrial-laser-metals.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.
