Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition

La fabricación de metales ha dependido durante mucho tiempo de la capacidad de fundir y fusionar materiales con extrema precisión, un proceso que construye piezas complejas capa por capa. En una técnica avanzada conocida como deposición de energía dirigida, un potente haz de láser funde el polvo metálico mientras se rocía sobre una superficie, creando un pequeño estanque brillante de metal fundido. La forma y el tamaño de este estanque fundido determinan si la pieza final será fuerte e impecable o si estará plagada de grietas ocultas y puntos débiles. El problema es que la parte más crítica de este estanque —la profundidad a la que el metal se funde— ocurre bajo la superficie, es invisible al ojo humano e imposible de medir mientras la máquina está funcionando. Durante décadas, los ingenieros han tenido que detener la máquina, cortar la pieza y examinarla bajo un microscopio para ver si el proceso funcionó, un método lento y destructivo que no deja margen para la corrección en tiempo real.

Un equipo de investigadores del Instituto de Tecnología de Stevens ha desarrollado una nueva forma de ver lo invisible. Crearon un sistema que utiliza inteligencia artificial para predecir la profundidad oculta del estanque de metal fundido en tiempo real, utilizando únicamente los patrones de calor visibles en la superficie y los ajustes del láser. Al enseñar a una computadora a aprender de una vasta biblioteca de simulaciones por computadora primero, y luego refinar ese conocimiento con una pequeña cantidad de datos del mundo real, construyeron un modelo que puede observar el proceso de impresión e informar instantáneamente a los operadores qué tan profundo se está fundiendo el metal. Este enfoque cierra la brecha entre la física teórica y la realidad desordenada de una planta de producción, ofreciendo un camino hacia la fabricación de piezas que son monitoreadas y corregidas mientras se fabrican, en lugar de ser inspeccionadas después de haber sido terminadas.

El desafío central en este campo es que el estanque fundido es un evento fugaz y caótico. A medida que el láser se desplaza a través del metal, crea un estanque que cambia constantemente, con el calor irradiándose hacia afuera y el metal fluyendo de formas complejas. Si bien las cámaras pueden ver fácilmente el ancho del estanque en la superficie, la profundidad sigue siendo un misterio hasta que la pieza es destruida. Para resolver esto, los investigadores recurrieron a un método llamado aprendizaje por transferencia. Imagine a un estudiante que pasa años estudiando libros de texto de física y resolviendo miles de problemas de práctica en un aula tranquila antes de dar su primer paso en un laboratorio real. Ese estudiante ya entiende las reglas fundamentales del mundo, por lo que, cuando finalmente se enfrenta a un experimento real, necesita mucho menos tiempo para aprender las especificidades de esa configuración particular. Los investigadores aplicaron esta misma lógica a su modelo computacional.

Primero, generaron un conjunto masivo de datos utilizando una simulación computacional basada en la física. Modelaron el comportamiento del acero inoxidable mientras era calentado por un láser, creando más de 1,300 escenarios diferentes con variaciones en la potencia del láser, la velocidad y el tamaño del punto. En este mundo virtual, la computadora conocía la profundidad y el ancho exactos de cada estanque fundido que creaba. Utilizaron estos datos simulados para entrenar una red neuronal compleja, un tipo de inteligencia artificial diseñada para reconocer patrones. La red aprendió a asociar los patrones de calor en la superficie con la profundidad oculta debajo, construyendo una comprensión robusta de la física involucrada. Sin embargo, los investigadores sabían que un modelo entrenado solo con simulaciones de computadora perfectas tendría dificultades al enfrentarse al ruido, los reflejos y las imperfecciones de una máquina real.

Para cerrar esta brecha, tomaron el modelo preentrenado y lo ajustaron utilizando un pequeño conjunto de datos experimentales reales. Realizaron experimentos de impresión de trayectoria única en una máquina real, capturando imágenes infrarrojas de alta velocidad del estanque fundido. Para enseñar a la computadora cómo se veían los estanques reales, tuvieron que cortar las trayectorias impresas y medir la profundidad y el ancho reales bajo un microscopio. Debido a que no podían medir cada fotograma del video, utilizaron un método estadístico para asignar estos valores medidos a las imágenes, creando un conjunto de entrenamiento de aproximadamente 550 imágenes etiquetadas. Cuando introdujeron estos datos reales en el modelo, la red ajustó sus configuraciones internas para tener en cuenta las diferencias entre la simulación limpia y el mundo real ruidoso.

Los resultados demostraron que este enfoque de dos pasos era muy superior a entrenar un modelo desde cero utilizando únicamente los limitados datos del mundo real. Cuando los investigadores probaron los modelos en nuevos trabajos de impresión no vistos previamente, el sistema entrenado con la ayuda de simulaciones cometió significativamente menos errores. Para predecir el ancho del estanque, el modelo asistido por simulación fue preciso dentro de un margen de aproximadamente el 7 por ciento, mientras que el modelo entrenado solo con datos reales tuvo un error de casi el 30 por ciento. La diferencia fue aún más dramática para la profundidad, que es la variable más difícil de predecir. El modelo asistido por simulación predijo la profundidad con un error de aproximadamente el 22 por ciento, mientras que el modelo entrenado sin la ayuda de la simulación falló por casi el 75 por ciento. En los casos más difíciles, donde los datos eran extremadamente escasos, el modelo entrenado con simulación mantuvo un alto nivel de precisión mientras que el otro modelo no logró aprender los patrones correctos en absoluto.

Los investigadores también descubrieron que el sistema funcionaba mejor cuando combinaba dos tipos de información: las imágenes térmicas del estanque y los ajustes específicos del láser. Las imágenes proporcionaban la forma visual del calor, lo que ayudaba a determinar el ancho, mientras que los ajustes del láser proporcionaban el contexto de energía necesario para adivinar la profundidad. Cuando probaron el sistema en tiempo real en seis trabajos de impresión diferentes que utilizaban configuraciones que la computadora nunca había visto, este rastreó con éxito el cambio en la geometría del estanque a medida que el láser se movía. Identificó correctamente cuándo el estanque era demasiado poco profundo, una condición que a menudo conduce a piezas débiles, mientras que el modelo sin asistencia sobreestimaba consistentemente la profundidad y pasaba por alto estos defectos.

Este trabajo demuestra que es posible traer el poder de las simulaciones de física al mundo real de la fabricación sin necesidad de miles de experimentos costosos y lentos. Al usar las simulaciones para enseñar a la IA las reglas del juego y los datos reales para enseñarle los matices de la máquina específica, los investigadores crearon una herramienta que es tanto precisa como eficiente. El sistema no solo predice números; ofrece una forma de monitorear la salud del proceso de fabricación mientras sucede, permitiendo potencialmente que las máquinas se ajusten sobre la marcha para prevenir defectos. Aunque la tecnología aún se está refinando, el estudio demuestra que combinar la claridad de los modelos computacionales con la realidad de los experimentos físicos puede resolver problemas que antes se consideraban demasiado difíciles de abordar en tiempo real.