Inteligencia Artificial de Nankín: Un Avance Crucial en la Predicción de Temperatura en Tiempo Real para la Fabricación Aditiva de Metales

Investigadores de la Universidad Tecnológica de Nankín han presentado un modelo innovador de inteligencia artificial que marca un progreso significativo en el ámbito de la fabricación aditiva. Este sistema, fundamentado en principios físicos sólidos, está diseñado para predecir de manera operativa los regímenes de temperatura durante el proceso de Fabricación Aditiva por Arco de Alambre (WAAM).

La divulgación de los hallazgos de este trabajo en la prestigiosa revista Communications Engineering representa un hito fundamental para mejorar la calidad y la estabilidad de las piezas metálicas impresas. La esencia de este desarrollo radica en la creación de una red neuronal geométrica recurrente informada físicamente. Este enfoque híbrido combina exitosamente las leyes fundamentales de la física con la potencia del aprendizaje profundo, permitiendo una modelización dinámica del comportamiento térmico del material.

Un logro de importancia crítica es la velocidad operativa del sistema. Mientras que las metodologías tradicionales, como la simulación por elementos finitos, pueden requerir hasta una hora completa para generar resultados precisos, este nuevo modelo demuestra un rendimiento asombroso, proporcionando predicciones en tan solo 12 milisegundos. Esta rapidez es esencial para la implementación efectiva de ciclos de retroalimentación cerrados en entornos industriales de alta exigencia.

El equipo, dirigido por Minxuan Tian de la Escuela de Ingeniería Mecánica y Energética, se propuso resolver un doble desafío: superar la lentitud computacional inherente a las simulaciones clásicas y, al mismo tiempo, minimizar la acumulación de errores que suele afectar a los modelos puramente basados en datos. Durante las pruebas experimentales, que incluyeron la impresión capa por capa de estructuras de acero de pared delgada utilizando una configuración robótica WAAM, el modelo registró una desviación máxima de predicción de aproximadamente el 4.5% en las simulaciones y del 13.9% en las pruebas realizadas en condiciones reales.

El control preciso de la temperatura en la impresión 3D de metales es una piedra angular, ya que el calentamiento o enfriamiento desigual inevitablemente conduce a defectos como grietas y deformaciones, comprometiendo la integridad estructural del producto final. El sistema desarrollado es capaz de pronosticar de forma estable la evolución de la temperatura por un periodo de hasta 10 segundos. Esta ventana temporal es clave para gestionar los flujos térmicos y mitigar las tensiones residuales internas.

La integración de restricciones físicas directamente en la arquitectura de la red neuronal asegura que las predicciones mantengan una base física sólida. Esto permite que el sistema generalice de manera eficiente los datos a diversas geometrías y diferentes modos de proceso. Además, los investigadores destacaron que la reducción del tiempo de entrenamiento mediante el aprendizaje por transferencia aumenta significativamente la aplicabilidad práctica y la adaptabilidad de esta tecnología a una amplia gama de condiciones de fabricación. Este salto metodológico abre el camino para implementar sistemas de control anticipatorio (feed-forward control) en la fabricación aditiva, permitiendo que las máquinas ajusten parámetros, como el aporte de calor o la velocidad de alimentación del alambre, antes de que surjan problemas.