⚡ electrical engineering

Mesh-Based Numerical Modeling and Statistical Validation of Pouring-Temperature Effects on Filling, Solidification, and Porosity in Gravity-Cast A356 Aluminum

Este estudio establece un flujo de trabajo riguroso de verificación y validación estadística para simulaciones de fundición por gravedad de aluminio A356 basadas en malla, demostrando que un modelo de volumen finito convergente predice con precisión los comportamientos de llenado y solidificación, al tiempo que confirma que la temperatura de colada es el factor dominante que influye en la porosidad mediante la correlación cuantitativa con las mediciones experimentales del Índice de Densidad.

Autores originales: Joni Arif, Mujiyono Mujiyono, Tiwan Tiwan, Sumantri Sri Nugroho, Ardian Maulana

Publicado 2026-09-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Joni Arif, Mujiyono Mujiyono, Tiwan Tiwan, Sumantri Sri Nugroho, Ardian Maulana

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cuando los ingenieros diseñan piezas metálicas para coches, aviones o maquinaria, a menudo dependen de la gravedad para llenar un molde con metal fundido. Este proceso, conocido como fundición por gravedad, es sencillo en concepto: verter el metal líquido en una cavidad y dejar que se enfríe hasta que se endurezca. Sin embargo, la realidad es mucho más compleja. A medida que el metal fluye y se enfría, pueden quedar atrapados dentro pequeñas bolsas de gas o de contracción, creando puntos débiles llamados porosidad. Estos defectos invisibles pueden hacer que una pieza falle bajo tensión. Para prevenir esto, los fabricantes utilizan simulaciones por computadora para predecir cómo se comportará el metal antes de verter siquiera una sola gota. Estas simulaciones descomponen el metal en millones de diminutos bloques digitales, calculando cómo se mueve el calor y cómo fluye el líquido. Pero para que estas predicciones digitales sean confiables, deben demostrar su exactitud frente al mundo real, y los propios bloques digitales deben ser lo suficientemente pequeños como para capturar la verdad sin introducir sus propios errores.

Un equipo de investigadores de la Universidad Estatal de Yogyakarta abordó este desafío centrándose en una aleación de aluminio específica, la A356, que es ampliamente utilizada por su resistencia y ligereza. Se propusieron construir un modelo computacional que pudiera predecir de manera fiable cómo la temperatura de vertido afecta el llenado de un molde, cuánto tiempo tarda el metal en solidificarse y cuánta porosidad se forma en su interior. Su objetivo no era solo ejecutar una simulación, sino demostrar que la simulación era digna de confianza. Hicieron esto verificando primero si su rejilla digital era lo suficientemente fina como para ser precisa y, posteriormente, vinculando estadísticamente sus resultados computacionales con mediciones físicas tomadas de fundiciones de metal reales.

Los investigadores comenzaron creando un gemelo digital de un espécimen de prueba estándar utilizado para medir la resistencia del aluminio. Utilizaron un programa informático para simular el flujo del metal en este molde a tres temperaturas de vertido diferentes: 690, 710 y 730 grados Celsius. Antes de confiar en cualquiera de los resultados, debían asegurarse de que su malla digital fuera precisa. Ejecutaron la misma simulación cuatro veces, utilizando en cada ocasión un tamaño diferente para los diminutos bloques digitales, que variaba desde bloques gruesos de 6.0 milímetros hasta bloques muy finos de 1.5 milímetros. Observaron de cerca la temperatura del metal al final del flujo y qué parte de este se había vuelto sólida. Descubrieron que, a medida que hacían los bloques más pequeños, los resultados variaban cada vez menos. Una vez que alcanzaron un tamaño de bloque de 2.5 milímetros, los resultados se estabilizaron. Hacer los bloques aún más pequeños, hasta 1.5 milímetros, cambió el resultado en menos de un uno por ciento, pero requería siete veces más potencia de cómputo. Esto demostró que el tamaño de 2.5 milímetros era el punto ideal: lo suficientemente preciso como para ser confiable, pero lo suficientemente eficiente para ser utilizado.

Con un modelo verificado y fiable en mano, el equipo se centró en la pregunta de cómo influye la temperatura de vertido en el producto final. Simularon el proceso a través de una gama de condiciones, incluyendo diferentes temperaturas de molde y el tiempo que el metal fue tratado para eliminar gases. Las simulaciones mostraron un patrón claro: verter el metal más caliente lo mantenía líquido por más tiempo. A 730 grados Celsius, el metal fluía más lejos y permanecía lo suficientemente fluido como para llenar el molde completamente antes de endurecerse. A la temperatura inferior de 690 grados, el metal comenzaba a solidificarse demasiado pronto, creando el riesgo de que el flujo se detuviera antes de que el molde estuviera lleno. La computadora predijo que las temperaturas más altas extenderían el tiempo que tardaba el metal en solidificarse por completo, dándole al material más tiempo para asentarse y reduciendo la posibilidad de defectos.

Para confirmar estas predicciones digitales, los investigadores compararon sus resultados con experimentos físicos. Fundieron nueve juegos de especímenes de metal reales, igualando las condiciones utilizadas en sus simulaciones. Para cada juego, midieron un valor llamado Índice de Densidad, que es una forma estándar de detectar cuánta porosidad queda atrapada dentro del metal. Un Índice de Densidad más bajo significa menos huecos y una pieza más fuerte. Luego, utilizaron un análisis estadístico para ver qué factor era el más importante. Los resultados fueron decisivos: la temperatura de vertido era la fuerza dominante, la cual representaba más del 60 por ciento de la variación en la calidad final. La temperatura del molde y el tiempo dedicado a la eliminación de gases desempeñaron papeles menores. Cuando graficaron los tiempos de solidificación predichos por la computadora frente a la densidad real medida de las piezas reales, ambos coincidieron con un alto grado de certeza. El modelo computacional capturó la gran mayoría del comportamiento del mundo real, confirmando que la simulación digital podía predecir con precisión la formación de defectos.

El estudio concluyó que este enfoque combinado —primero verificar la rejilla digital para asegurar la exactitud y luego validarla estadísticamente contra datos reales— crea una herramienta poderosa para los ingenieros. Al demostrar que su modelo era tanto matemáticamente sólido como físicamente preciso, los investigadores demostraron que es posible confiar en las simulaciones por computadora para guiar el proceso de fabricación. Esto significa que, en el futuro, los ingenieros pueden utilizar estos modelos verificados para probar diferentes temperaturas y configuraciones en una pantalla de computadora, con la confianza de que los resultados reflejarán lo que sucederá en la fundición, ahorrando tiempo y recursos mientras aseguran que las piezas metálicas estén libres de defectos ocultos.

Resumen Técnico: Modelado Numérico Basado en Mallas y Validación Estadística de los Efectos de la Temperatura de Colada en el Aluminio A356 Fundido por Gravedad

Planteamiento del Problema
En el diseño de procesos de fabricación para componentes de aluminio fundidos por gravedad, el modelado predictivo es esencial para anticipar defectos como la porosidad antes del prototipado físico. Si bien los métodos numéricos basados en mallas (volumen finito y elementos finitos) son el enfoque dominante para simular el llenado y la solidificación debido a su capacidad para resolver el flujo de calor y de fluidos acoplados, su credibilidad se ve frecuentemente comprometida por dos problemas subestimados en la literatura:

Falta de Convergencia de la Malla: Las soluciones se presentan con frecuencia sin estudios explícitos que demuestren la independencia de la discretización elegida (densidad de la malla).
Validación Estadística Insuficiente: Los resultados simulados suelen validarse únicamente mediante comparaciones visuales cualitativas o puntos de datos únicos, en lugar de mediante controles estadísticos rigurosos frente a resultados experimentales medibles.

Consecuentemente, existe una brecha metodológica donde la verificación numérica y la validación estadística se practican de forma aislada. Este estudio aborda esta brecha para el fundición por gravedad de A356 (Al–Si–Mg), con el objetivo de establecer un modelo verificado e independiente de la malla, y vincular estadísticamente sus predicciones térmicas con la porosidad medida experimentalmente.

Metodología
La investigación empleó un flujo de trabajo estructurado que combina la simulación numérica, la fundición experimental y el análisis estadístico:

Modelado Numérico: Se implementó un modelo de volumen finito utilizando Altair Inspire Cast para simular el llenado y la solidificación de probetas de tracción JIS H5202. El solver utilizó las ecuaciones de Navier–Stokes promediadas por Reynolds para un fundente incompresible, acopladas con una ecuación de energía basada en entalpía y un esquema de Volumen de Fluido (VOF).
Estudio de Convergencia de Malla: Antes del análisis paramétrico, se realizó un estudio de sensibilidad estructurado utilizando cuatro tamaños de elementos progresivamente refinados (6.0, 4.0, 2.5 y 1.5 mm) a una temperatura de colada de 710 °C. La convergencia se monitoreó mediante la temperatura del punto de flujo más lejano y la fracción sólida. Se utilizó una extrapolación de Richardson para determinar un valor asintótico, y se aplicó el procedimiento del Índice de Convergencia de la Rejilla (GCI) para seleccionar la malla más gruesa dentro de una desviación del 2% respecto al valor asintótico.
Diseño Experimental (Taguchi L9): Se diseñó una matriz ortogonal de Taguchi (L9, $3^3$ $3^{3}$ ) para evaluar tres factores de control:
1. Temperatura de colada (690, 710, 730 °C)
2. Temperatura de precalentamiento del molde (125, 150, 200 °C)
3. Intervalo de desgasificación (5, 7, 10 s)
Validación Experimental: Para cada una de las nueve condiciones, se preparó una fundición de A356 y se desgasificó utilizando una unidad de impulsor rotatorio. Se realizaron mediciones del Índice de Densidad (DI) de acuerdo con la norma ASTM B962 (comparando la densidad a presión atmosférica frente a vacío) para cuantificar la porosidad. Se promediaron tres réplicas para cada condición.
Análisis Estadístico: Se realizó un Análisis de Varianza (ANOVA) sobre la respuesta del DI para descomponer las contribuciones de la varianza. Los tiempos de solidificación simulados se regresaron contra los valores medidos de DI para determinar el coeficiente de determinación ( $R^2$ ).

Resultos Clave

Independencia de la Malla: El estudio identificó un tamaño de elemento de 2.5 mm como la solución independiente de la malla. La temperatura del punto de flujo más lejano para esta malla se desvió solo un 1.8% del valor asintótico extrapolado por Richardson. La malla más fina de 1.5 mm ofreció solo una mejora marginal (0.6% de desviación) con aproximadamente siete veces el costo computacional.
Efectos del Proceso: Aumentar la temperatura de colada de 690 °C a 730 °C elevó la temperatura del punto de flujo más lejano de ~552 °C a ~596 °C y extendió el tiempo de solidificación predicho de 6.5 s a 8.6 s. La temperatura más baja (690 °C) mostró un riesgo de mal curso (misrun), con fracciones sólidas aproximándose a 0.30 cerca de la punta de la probeta durante el llenado.
Dominancia Estadística: El ANOVA reveló que la temperatura de colada fue el factor estadísticamente dominante que rigió la porosidad, contribuyendo con un 61.4% de la varianza total ( $p < 0.01$ ). Le siguieron el intervalo de desgasificación (24.7%) y la temperatura de precalentamiento del molde (9.8%).
Correlación del Modelo: Se encontró una fuerte correlación lineal entre el tiempo de solidificación simulado y el Índice de Densidad medido, obteniendo un coeficiente de determinación de $R^2 = 0.93$ .
Validación: Una condición de "control externo" (710 °C, 150 °C de precalentamiento del molde, 7 s de desgasificación) que no se utilizó en el ajuste del ANOVA mostró una desviación de solo un 4.2% entre los valores predichos y medidos, confirmando la confiabilidad del modelo dentro de la variabilidad experimental normal.

Significancia y Reivindicaciones
El artículo sostiene que el procedimiento propuesto de verificación más validación estadística ofrece un procedimiento transferible para establecer confianza cuantitativa en los modelos de fundición basados en mallas. Al verificar rigurosamente la independencia de la malla y vincular estadísticamente los resultados de la simulación con los índices de defectos físicos (Índice de Densidad), el estudio demuestra que tales modelos pueden servir como sustitutos fiables para la optimización de procesos. Este enfoque reduce la necesidad de ensayos de fundición física para cada condición y proporciona una base robusta para futuras aplicaciones en la optimización de procesos, control en tiempo real e implementaciones de gemelos digitales en la fundición por gravedad. Los autores enfatizan que esta metodología cierra la brecha entre la precisión numérica y la realidad experimental, yendo más allá de la validación cualitativa hacia un marco estadísticamente fundamentado.

Más como este