{"id":79992,"date":"2025-02-04T15:00:29","date_gmt":"2025-02-04T14:00:29","guid":{"rendered":"https:\/\/www.3dnatives.com\/es\/?p=79992"},"modified":"2025-02-04T14:47:05","modified_gmt":"2025-02-04T13:47:05","slug":"universidad-johns-hopkins-aprendizaje-automatico-lpbf-040220252","status":"publish","type":"post","link":"https:\/\/www.3dnatives.com\/es\/universidad-johns-hopkins-aprendizaje-automatico-lpbf-040220252\/","title":{"rendered":"La Universidad Johns Hopkins aplica el aprendizaje autom\u00e1tico para la tecnolog\u00eda L-PBF"},"content":{"rendered":"

Investigadores del Laboratorio de F\u00edsica Aplicada (APL) de la Universidad Johns Hopkins han desarrollado un nuevo enfoque que integra la impresi\u00f3n 3D con el aprendizaje autom\u00e1tico, concretamente para la fusi\u00f3n l\u00e1ser por lecho de polvo<\/a> (L-PBF). En esencia, el modelo les permite crear simulaciones \u00fatiles para verificar la producci\u00f3n de materiales creados mediante LPBF. El aprendizaje autom\u00e1tico<\/a>, o machine learning, forma parte de una rama de la inteligencia artificial y puede aplicarse en diversos campos, desde el m\u00e9dico hasta el aeroespacial.<\/p>\n

La t\u00e9cnica ideada por los investigadores permite predecir qu\u00e9 microestructura se formar\u00e1 en la superficie de impresi\u00f3n gracias a las mediciones realizadas en una \u00fanica capa de polvo. Para ello, los investigadores recurrieron a la modelizaci\u00f3n y simulaci\u00f3n computacionales. Estas predicciones del objeto que se crear\u00e1 permiten intervenir a tiempo en caso de errores. De este modo, no solo se ahorra tiempo, materiales y costes, sino que tambi\u00e9n podr\u00eda aumentar el rendimiento de los materiales fabricados mediante la tecnolog\u00eda L-PBF.<\/p>\n

\"\"

Esta imagen muestra el proceso de predicci\u00f3n de la microestructura, que se consigue analizando el impacto de la velocidad de enfriamiento y el gradiente de temperatura en la orientaci\u00f3n y el tama\u00f1o del grano.<\/p><\/div>\n

Este estudio forma parte de un trabajo m\u00e1s amplio que se est\u00e1 llevando a cabo en el Laboratorio de F\u00edsica Aplicada de la Universidad Johns Hopkins centrado en el uso de la inteligencia artificial para acelerar el descubrimiento de nuevos materiales para entornos extremos. Morgan Trexler, el coordinador del programa de Ciencia de Materiales Extremos y Multifuncionales del APL en el \u00c1rea de Misi\u00f3n de Investigaci\u00f3n Exploratoria y Desarrollo, coment\u00f3: \u00abAnticipamos que este nuevo enfoque ser\u00e1 extremadamente impactante para ayudar a dise\u00f1ar y comprender la formaci\u00f3n de materiales durante los procesos de fabricaci\u00f3n aditiva, y esto encaja en nuestra estrategia global centrada en acelerar el desarrollo de materiales para la seguridad nacional\u00bb.<\/em><\/p>

\"\"<\/a><\/div>\n

\u00bfPor qu\u00e9 utilizar el aprendizaje autom\u00e1tico para la tecnolog\u00eda L-PBF?<\/h3>\n

En la fusi\u00f3n l\u00e1ser por lecho de polvo las capas de polvo met\u00e1lico se funden mediante un l\u00e1ser de alta potencia para crear objetos tridimensionales capa a capa. Esta tecnolog\u00eda es \u00fatil para producir piezas met\u00e1licas resistentes y de geometr\u00edas complejas. Sin embargo, como los polvos son diferentes entre s\u00ed y, por tanto, tienen sus propias caracter\u00edsticas, las condiciones de procesamiento pueden sufrir muchas variaciones, empezando por los ajustes del l\u00e1ser, as\u00ed como por las interacciones entre las distintas part\u00edculas de polvo. Como resultado, las propiedades de los objetos que se imprimen pueden variar enormemente.<\/p>\n

Para llevar a cabo esta aplicaci\u00f3n, el equipo de investigadores dirigido por Li Ma, ingeniera jefe del APL, utiliz\u00f3 un modelo de din\u00e1mica de fluidos computacional (CFD) para medir con precisi\u00f3n los cambios de temperatura y las velocidades de enfriamiento durante el proceso de impresi\u00f3n en relaci\u00f3n con la orientaci\u00f3n y el tama\u00f1o del grano. La din\u00e1mica de fluidos computacional (CFD) es una disciplina que emplea simulaciones por ordenador para predecir el comportamiento de los flujos de materiales, bas\u00e1ndose en las leyes de conservaci\u00f3n de la masa, el momento y la energ\u00eda. Este enfoque innovador permite no solo predecir la microestructura de la pieza antes de imprimirla, sino tambi\u00e9n estimar las propiedades mec\u00e1nicas del material y el rendimiento f\u00edsico de la pieza acabada.<\/p>\n

Ali Ramazani desarroll\u00f3 el primer modelo de formaci\u00f3n microestructural de campo de fases integrando los resultados obtenidos del modelo CFD. Este enfoque mejor\u00f3 la precisi\u00f3n y la validez de las simulaciones. Sin embargo, su contribuci\u00f3n, aunque significativa, no fue suficiente para resolver todos los problemas de recopilaci\u00f3n de datos. En efecto, la producci\u00f3n de un solo componente mediante la tecnolog\u00eda L-PBF implica millones de interacciones entre el polvo y el l\u00e1ser, lo que requiere una enorme cantidad de tiempo de c\u00e1lculo y, por tanto, hace que la simulaci\u00f3n de cada peque\u00f1a secci\u00f3n sea extremadamente compleja.<\/p>\n

\"\"

En esta imagen, los resultados del modelo de campo de difusi\u00f3n probabil\u00edstico del APL se compararon con los resultados de la simulaci\u00f3n. El modelo del APL detecta con precisi\u00f3n la formaci\u00f3n de microestructuras y el crecimiento de grano observados en los resultados simulados.<\/p><\/div>\n

El avance fue obra de Hudson Liu, un estudiante de bachillerato en la Gilman School de Baltimore y alumno en pr\u00e1cticas en el marco del programa del APL llamado: Student Program to Inspire, Relate, and Enrich<\/em> (ASPIRE). Liu teoriz\u00f3 un modelo de aprendizaje autom\u00e1tico que reducir\u00eda en gran medida la necesidad de realizar costosas simulaciones. Liu integr\u00f3 varios modelos de aprendizaje autom\u00e1tico preexistentes para desarrollar lo que el equipo llama un \u00abmodelo de campo probabil\u00edstico de difusi\u00f3n\u00bb. Este modelo genera im\u00e1genes basadas en la velocidad de enfriamiento y el gradiente t\u00e9rmico de la impresi\u00f3n L-PBF, cuantificando los cambios de temperatura en funci\u00f3n de par\u00e1metros como la distancia entre el punto de impacto del l\u00e1ser y el metal s\u00f3lido circundante.<\/p>\n

Seg\u00fan Hudson Liu, \u00abla principal ventaja de utilizar un modelo es su rapidez. Nuestro modelo puede aproximar en segundos o minutos lo que llevar\u00eda horas en una simulaci\u00f3n\u00bb<\/em>, y a\u00f1adi\u00f3: \u201cEsto permite a los investigadores explorar r\u00e1pidamente una amplia gama de par\u00e1metros y a un coste mucho menor\u201d<\/em>. El modelo se valid\u00f3 mediante an\u00e1lisis microsc\u00f3picos del material L-PBF. El entrenamiento del programa de aprendizaje autom\u00e1tico requiri\u00f3 m\u00e1s de 400 simulaciones realizadas en el APL.<\/p>\n

Perspectivas de futuro<\/h3>\n

El equipo de investigaci\u00f3n ya est\u00e1 trabajando para entrenar nuevos modelos utilizando datos de v\u00eddeo, lo que permitir\u00e1 predecir microestructuras tanto en 3D como en 2D. Con el tiempo, ser\u00e1 posible hacer predicciones de las microestructuras de componentes m\u00e1s grandes y analizar los resultados de m\u00e1s pasadas de l\u00e1ser.<\/p>\n

Pero eso no es todo. El proyecto, que surgi\u00f3 gracias a la financiaci\u00f3n interna de la universidad, ha sido objeto de inter\u00e9s por parte del Instituto de Investigaci\u00f3n de Tecnolog\u00eda Espacial (STRI) de la NASA, que desear\u00eda aplicarlo para sus propios servicios. Seg\u00fan Li Ma, \u00abla NASA quiere modelos validados que le ayuden a predecir lo que ocurrir\u00e1 en una construcci\u00f3n y c\u00f3mo funcionar\u00e1 la pieza posterior, sin necesidad de costosos experimentos. As\u00ed que este enfoque es valioso, sobre todo si pensamos en la fabricaci\u00f3n aditiva en la Luna o en el espacio, donde la experimentaci\u00f3n resulta tan cara que es pr\u00e1cticamente imposible\u00bb.<\/em> Por lo tanto, no nos sorprender\u00e1 que en un futuro pr\u00f3ximo oigamos hablar de las aplicaciones que se desarrollan en este laboratorio no solo en los viajes espaciales de la NASA, sino tambi\u00e9n en otros \u00e1mbitos.<\/p>\n

\u00bfQu\u00e9 opinas del uso del aprendizaje autom\u00e1tico para la tecnolog\u00eda L-PBF? Deja tus comentarios en nuestras redes sociales: Facebook<\/a>, LinkedIn<\/a> y Youtube<\/a>. Sigue toda la informaci\u00f3n sobre impresi\u00f3n 3D en nuestra Newsletter semanal<\/a>. <\/span><\/p>\n

*Foto de portada: la imagen muestra la microestructura de la superaleaci\u00f3n a base de n\u00edquel reforzada por precipitaci\u00f3n utilizada para validar el modelo del APL y su predicci\u00f3n de la velocidad de enfriamiento (cr\u00e9ditos: ASM International 2024)<\/em><\/p>\n

\"\"<\/a><\/div>","protected":false},"excerpt":{"rendered":"

Investigadores del Laboratorio de F\u00edsica Aplicada (APL) de la Universidad Johns Hopkins han desarrollado un nuevo enfoque que integra la impresi\u00f3n 3D con el aprendizaje autom\u00e1tico, concretamente para la fusi\u00f3n l\u00e1ser por lecho de polvo (L-PBF). En esencia, el modelo…<\/p>\n","protected":false},"author":6110,"featured_media":79993,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[16,13,283],"tags":[],"class_list":["post-79992","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-actualidad","category-investigacion","category-materiales-impresion-3d"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/posts\/79992","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/users\/6110"}],"replies":[{"embeddable":true,"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/comments?post=79992"}],"version-history":[{"count":2,"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/posts\/79992\/revisions"}],"predecessor-version":[{"id":79997,"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/posts\/79992\/revisions\/79997"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/media\/79993"}],"wp:attachment":[{"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/media?parent=79992"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/categories?post=79992"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.3dnatives.com\/es\/wp-json\/wp\/v2\/tags?post=79992"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}