Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

Imagine una planta de fabricación donde enormes piezas metálicas no se tallan a partir de un bloque sólido, sino que se construyen, capa por capa, a partir de un flujo de metal fundido. Esto es la deposición de energía dirigida, un método de fabricación de alta tecnología utilizado para crear desde componentes de motores de reacción hasta implantes médicos. Es potente y flexible, capaz de reparar maquinaria costosa o de imprimir formas compleas que serían imposibles de fabricar de cualquier otra manera. Sin embargo, el proceso es notoriamente difícil de controlar. El metal se funde mediante fuentes de calor intenso como láseres o arcos eléctricos, creando un diminuto y abrasador charco de líquido que se enfría y solidifica en una fracción de segundo. Debido a que esto ocurre tan rápido y conlleva temperaturas tan extremas, el proceso es inestable. Puede desarrollar fácilmente grietas ocultas, agujeros o puntos débiles que arruinan la pieza final. Tradicionalmente, solucionar estos problemas ha significado un ciclo lento y costoso de prueba y error: configurar la máquina, construir una pieza, cortarla para inspeccionarla, encontrar el fallo, cambiar los ajustes y volver a intentarlo.

Para romper este ciclo, los investigadores están recurriendo a dos herramientas poderosas: el aprendizaje automático y los gemelos digitales. El aprendizaje automático es un tipo de inteligencia informática que aprende a reconocer patrones a partir de grandes cantidades de datos, de forma muy similar a como un humano aprende a detectar un defecto observando miles de ejemplos. Un gemelo digital es una copia virtual de la máquina física y de la pieza que se está construyendo. No es solo un modelo 3D estático; es una simulación viva que recibe datos en tiempo real de sensores que vigilan la máquina real, lo que le permite reflejar el mundo físico a medida que este sucede. Cuando estas dos tecnologías se combinan, prometen transformar la fabricación de un proceso reactivo, donde los defectos se encuentran después de que ocurren, a uno proactivo, donde los problemas se predicen y corrigen antes de que el metal se enfríe.

Un equipo de investigadores de la Universidad de Texas en el Valle de Rio Grande se propuso recientemente mapear el estado actual de esta tecnología. Realizaron una revisión sistemática de 130 estudios científicos publicados entre 2016 y 2026, analizando cómo se están utilizando actualmente el aprendizaje automático y los gemelos digitales en la deposición de energía dirigida. Su trabajo, publicado en una revisión sistemática de la literatura, revela un campo que avanza rápidamente pero que todavía se encuentra en el borde de una transición importante. Los investigadores descubrieron que, si bien los científicos se han vuelto muy buenos en el uso de cámaras y sensores para observar el proceso y predecir cuándo podría ocurrir algo malo, aún no han dominado por completo la capacidad de solucionar esos problemas automáticamente en tiempo real.

La revisión destaca que los materiales más comunes que se estudian son tipos específicos de acero y superaleaciones a base de níquel, que son esenciales para las industrias aeroespacial y de energía. Los métodos de fabricación utilizados con mayor frecuencia son la deposición por arco de alambre, que utiliza un arco eléctrico para fundir alambre metálico, y la deposición basada en láser, que utiliza un láser de alta potencia para fundir polvo metálico. En estos estudios, el enfoque principal ha sido "ver" el proceso. Los investigadores han equipado las máquinas con cámaras de alta velocidad y sensores térmicos para capturar imágenes del charco fundido. Luego, introducen estos datos visuales en modelos de aprendizaje automático, utilizando a menudo redes neuronales complejas que actúan como ojos digitales. Estos modelos han mostrado un éxito notable en la identificación de defectos. Algunos estudios informaron que estos sistemas podían detectar grietas u agujeros con tasas de precisión superiores al 99 por ciento, o predecir la forma del cordón metálico con alta precisión.

Sin embargo, los autores señalan una brecha crítica entre ver un problema y resolverlo. La mayoría de los sistemas de gemelos digitales revisados hasta ahora funcionan más como una "sombra digital". En esta configuración, los datos fluyen en una sola dirección: de la máquina física al modelo virtual. El modelo virtual puede decirle a los operadores: "Mira, se está formando un defecto" o "La temperatura es demasiado alta". Pero rara vez toma medidas por sí mismo. La conexión entre la predicción virtual y la máquina física suele estar rota. En lugar de que la computadora ajuste automáticamente la potencia del láser o la velocidad del brazo robótico para corregir el error, el sistema generalmente se detiene y espera la intervención de un operador humano. Los investigadores señalan que, aunque algunos estudios avanzados han demostrado el control de bucle cerrado —donde el sistema ajusta automáticamente el proceso para corregir un error—, estos son la excepción, no la regla.

La revisión también identifica obstáculos significativos que impiden que estas tecnologías se utilicen ampliamente en la industria. Un problema importante es la falta de datos. Entrenar un modelo de aprendizaje automático requiere miles de ejemplos tanto de piezas buenas como malas. En la deposición de energía dirigida, crear estos ejemplos es costoso y requiere mucho tiempo. A menudo requiere destruir la pieza terminada para inspeccionarla en busca de fallos internos, lo que significa que los investigadores no pueden recopilar fácilmente los conjuntos de datos masivos necesarios para enseñar a las computadoras. Para hacer frente a esto, algunos investigadores utilizan técnicas como el aprendizaje por transferencia, donde un modelo entrenado en un tipo de metal se adapta para funcionar con otro, o utilizan simulaciones basadas en la física para generar datos virtuales. Sin embargo, los autores advierten que estos métodos no son perfectos. Un modelo entrenado en una máquina o un material específico suele tener dificultades para funcionar en una configuración diferente, lo que limita su utilidad en un entorno de fábrica diverso.

Además, los investigadores descubrieron que los gemelos digitales actuales suelen ser demasiado simples para manejar la complejidad de la fabricación en el mundo real. Un verdadero gemelo digital debería ser capaz de comunicarse de ida y vuelta con la máquina física, actualizando constantemente su propia comprensión basándose en nuevos datos y utilizando ese conocimiento para guiar las acciones de la máquina. Actualmente, muchos sistemas están fragmentados. Pueden ser excelentes monitoreando la temperatura o prediciendo la geometría, pero carecen de la capacidad de integrar toda esta información en un proceso único y autónomo de toma de decisiones. La revisión sugiere que, para que estas tecnologías alcancen todo su potencial, el campo debe ir más allá de los experimentos aislados. La investigación futura debe centrarse en la creación de sistemas estandarizados que puedan manejar datos de múltiples sensores a la vez, operar en tiempo real sin retrasos y, lo más importante, cerrar el bucle entre la predicción y la acción.

Los autores concluyen que, si bien se han sentado las bases, la casa aún no está construida. La capacidad de predecir defectos está bien establecida, pero la capacidad de corregirlos de forma autónoma sigue incompleta. El siguiente paso para la industria es desarrollar sistemas robustos de bucle cerrado donde la máquina no solo se observe a sí misma, sino que dirija activamente su propio rumbo. Esto requiere no solo mejores algoritmos, sino también una integración más profunda de las leyes físicas en los modelos informáticos y un compromiso con el intercambio de datos entre diferentes máquinas y materiales. Hasta entonces, la deposición de energía dirigida seguirá siendo una tecnología de gran promesa, frenada por la necesidad de cerrar la brecha entre observar el proceso y controlarlo verdaderamente.