⚡ ingeniería eléctrica

X-ray tomography and coordinate metrology benchmark for internal cavities in additively manufactured alloys

Este artículo presenta un conjunto de datos de referencia público integral y un marco de evaluación que valida la tomografía computarizada de rayos X para medir los espesores de las paredes de cavidades internas en aleaciones de Ti-6Al-4V e Inconel 625 fabricadas mediante adición de capas, comparando los resultados derivados de la TC frente a los datos de verdad de terreno de una máquina de medición de coordenadas a través de diversas condiciones de superficie.

Autores originales: Josselin Paccoud, Hristo Valtchanov, Eric Fournier, Vladimir Brailovski, François Guibault

Publicado 2026-11-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Josselin Paccoud, Hristo Valtchanov, Eric Fournier, Vladimir Brailovski, François Guibault

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

Imagina intentar medir el grosor de una pared dentro de un tubo de metal retorcido y sellado. No puedes ver el interior, no puedes tocarlo con una regla y no puedes hacer pasar la luz a través de él. Esta es la realidad diaria de los ingenieros que fabrican piezas mediante la fabricación aditiva, un proceso a menudo llamado impresión 3D, donde el metal se fusiona capa por capa para crear formas complejas. Estas piezas suelen contener canales huecos o cavidades internas que son vitales para su funcionamiento, pero que permanecen invisibles para las herramientas de inspección tradicionales. Para comprobar si estas paredes ocultas tienen el grosor adecuado, los científicos utilizan la tomografía computarizada por rayos X, una técnica que toma miles de imágenes de rayos X desde todos los ángulos y las une para crear un modelo digital 3D del interior del objeto. Es como realizar una tomografía computarizada de un cuerpo humano, pero para una pieza de maquinaria. El desafío, sin embargo, es que el modelo informático no es perfecto. Los rayos X pueden verse distorsionados por la densidad del metal, y el software que convierte los datos borrosos de los rayos X en una superficie nítida tiene que adivinar dónde se encuentra realmente el borde del material. Si esa suposición es errónea, la medición del grosor de la pared será errónea, lo que podría provocar que las piezas fallen bajo presión.

Para resolver este rompecabezas, un equipo de investigadores de Canadá ha publicado un nuevo estándar abierto para probar qué tan bien funcionan realmente estas mediciones por rayos X. Crearon un objeto metálico específico, con forma de reloj de arena y un centro hueco, y lo fabricaron en dos metales diferentes: una aleación de titanio común y una aleación de níquel de alta resistencia conocida como Inconel. Fabricaron cada objeto dos veces, una vez con una superficie rugosa recién salida de la impresora y otra vez después de suavizarla químicamente. La parte ingeniosa de su experimento fue cómo midieron la verdad. Primero escanearon el objeto ensamblado con rayos X para ver el interior. Luego, desmontaron el objeto. Debido a que las dos mitades estaban ahora separadas, pudieron utilizar una sonda mecánica de alta precisión, un dispositivo con una punta esférica diminuta que toca físicamente la superficie, para medir el grosor exacto de las paredes en cientos de puntos específicos. Esta medición física sirvió como la "verdad fundamental", el punto de referencia fiable contra el cual se podrían juzgar las suposiciones de los rayos X.

Los investigadores luego compararon las mediciones de rayos X con las mediciones de la sonda física para ver dónde los modelos digitales tenían éxito y dónde fallaban. Encontraron que la precisión de la medición por rayos X dependía en gran medida del estado de la superficie del metal y de los ajustes específicos utilizados para procesar los datos. Cuando las superficies metálicas eran rugosas, el software de rayos X tendía a subestimar el grosor de la pared, mientras que la sonda física tendía a sobreestimarlo porque la punta de la sonda se desplazaba sobre los diminutos picos de la superficie rugosa en lugar de hundirse en los valles. Después de que las piezas fueron fresadas químicamente para suavizarlas, la brecha entre los resultados de los rayos X y las mediciones físicas se redujo significamente, demostrando que la textura de la superficie juega un papel importante en el error de medición.

Quizás lo más importante es que el estudio reveló que no existe un único "ajuste mágico" en el software que haga que las mediciones de rayos X sean perfectas para cada situación. El equipo probó diferentes formas de definir el borde del metal en el modelo digital, y descubrieron que el mejor ajuste para las piezas de titanio rugosas era diferente al mejor ajuste para las piezas de níquel lisas. En algunos casos, el error en la medición del grosor de la pared fue de hasta 0,16 milímetros, una cantidad significativa para la ingeniería de precisión. También descubrieron que en las áreas donde el metal era muy denso, los rayos X tenían dificultades para penetrar, creando "puntos ciegos" donde el software no podía ver claramente la forma del objeto. En estas áreas difíciles, probaron un nuevo enfoque utilizando inteligencia artificial para adivinar la forma, el cual funcionó mejor que los métodos estándar, aunque todavía presentaba limitaciones.

Este trabajo no pretende haber resuelto el problema de la medición de cavidades internas de una vez por todas. En su lugar, proporciona un punto de referencia claro y compartido que otros científicos e ingenieros pueden utilizar para probar sus propios métodos. Al publicar todos los datos brutos —las imágenes de rayos X, los modelos informáticos, las mediciones físicas y las instrucciones específicas sobre cómo se alinearon—, los investigadores han creado un campo de juego común. Esto permite que cualquier persona que desarrolle un nuevo software pueda ver exactamente cómo rinde su herramienta frente a un estándar conocido, en lugar de simplemente afirmar que funciona en sus propias pruebas privadas. El estudio confirma que, si bien la tomografía por rayos X es una herramienta poderosa para ver lo invisible, su precisión es una mezcla compleja de propiedades del material, textura de la superficie y las elecciones específicas realizadas por el software. El camino a seguir no es una única solución perfecta, sino una mejor comprensión de cómo ajustar nuestras herramientas a los desafíos específicos de cada pieza metálica única.

Resumen Técnico: Benchmarking de Tomografía de Rayos X y Metrología de Coordenadas para Cavidades Internas en Aleaciones Fabricadas Aditivamente

Planteamiento del Problema
La validación dimensional de geometrías internas inaccesibles en piezas fabricadas aditivamente (AM) sigue siendo un desafío significativo. Si bien la tomografía computarizada de rayos X (CT) permite la inspección de características internas y externas en una sola adquisición, la precisión de los resultados dimensionales depende altamente de los ajustes de adquisición, los algoritmos de reconstrucción, los métodos de determinación de superficies y las convenciones de alineación. Además, los conjuntos de datos de referencia públicos existentes suelen carecer de la alineación multimodal necesaria —específicamente vinculando el diseño asistido por computadora (CAD) nominal, las proyecciones de CT sin procesar, los volúmenes reconstruidos y las mediciones de referencia táctiles— para cavidades internas complejas a través de diversos materiales y estados superficiales. La dificultad se ve agravada por el hecho de que la rugosidad superficial afecta tanto la localización del límite de CT como la medición de la máquina de medición de coordenadas (CMM) táctil (mediante filtrado mecánico), sin embargo, pocos conjuntos de datos capturan estas variables simultáneamente en la misma familia de piezas.

Metodología
Los autores presentan un conjunto de datos de referencia centrado en un artefacto de cavidad tipo "reloj de arena" de dos partes, fabricado mediante fusión por lecho de polvo láser (LPBF) en dos aleaciones: Ti-6Al-4V e Inconel 625. El estudio investiga cuatro casos principales: estados rugosos y fresados químicamente (pulidos) para cada material.

Diseño Experimental: El artefacto consiste en una mitad fija (Fix) y una mitad móvil (Mob). En el estado ensamblado, la cavidad interna es inaccesible para las sondas táctiles; tras el desensamblaje, las mismas superficies internas se vuelven accesibles para la medición CMM. Esto permite la medición de CT en el estado ensamblado y la medición de referencia CMM en el estado desensamblado sobre la misma geometría nominal.
Adquisición de Datos:
- CT: Los datos de CT de haz cónico (CBCT) se adquirieron utilizando un sistema Comet Yxlon FF35 con 4,500 proyecciones por escaneo. Se empleó una configuración de soporte inclinada para mitigar los artefactos de haz cónico. Se incluyó un conjunto de datos auxiliar de un álabe de rotor de helicóptero Chinook (Ti-6Al-4V) para comparación utilizando tanto CBCT como tomografía de matriz de diodos lineales (LDA), aunque carece de datos de referencia CMM.
- CMM: Las mediciones de referencia se tomaron en una CMM Hexagon GLOBAL S con un palpador esférico de 2 mm. La estrategia de medición se centró en 399 vectores de pares de espesor predefinidos (215 en Fix, 184 en Mob) dentro de la región interna del reloj de arena.
- Caracterización de Superficie: La rugosidad superficial ( $R_a$ , $R_z$ , $R_p$ ) se cuantificó en la parte Mob antes y después del fresado químico (que eliminó 0.23–0.25 mm de material).
Procesamiento y Alineación:
- Reconstrucción: Los volúmenes de CT se reconstruyeron usando CERA con corrección de endurecimiento de haz de un solo material.
- Segmentación de Superficie: Se probaron dos rutas principales: un método de gradiente local estilo Steinbeiss utilizando configuraciones de Factor de Caída (FSF) (0.2, 0.4, 0.6) y una ruta basada en aprendizaje profundo (DL) U-Net para Inconel, con el fin de abordar los artefactos de extinción.
- Comparación: Las nubes de puntos CMM se alinearon con las mallas derivadas de CT mediante un registro de puntos más cercanos iterativo (ICP) de mejor ajuste dentro de la región de medición para minimizar el sesgo de las deformaciones inducidas por LPBF. La desviación de espesor ( $\Delta t$ ) se calculó como la diferencia entre el espesor medido por CMM y el derivado de CT.

Contribuciones Clave

Conjunto de Datos de Referencia Multimodal: El artículo libera un conjunto de datos disponible públicamente que contiene CAD nominal, proyecciones de CT sin procesar, volúmenes reconstruidos, segmentaciones de superficie de CT, nubes de puntos CMM y etiquetas de desviación derivadas para cuatro combinaciones distintas de material/estado superficial.
Protocolo Estandarizado: Los autores definen un protocolo de referencia específico, incluyendo convenciones de alineación (ICP en la región de medición), definiciones de pares de espesor y métricas de reporte (media, desviación estándar y P95 de la desviación de espesor absoluta).
Resultados de Referencia (Baseline): El artículo proporciona métricas de rendimiento base para las rutas de segmentación de superficie basadas en reconstrucción (FSF y DL) y de registro elástico informado por CAD (ER) frente a la referencia CMM.
Análisis del Estado de la Superficie: El conjunto de datos captura explícitamente la transición de estados rugosos a fresados químicamente, permitiendo el estudio de cómo la modificación superficial impacta la concordancia CT–CMM.

Resultados

Impacto de la Rugosidad: El fresado químico redujo significativamente los parámetros de rugosidad superficial ( $R_a$ , $R_z$ , $R_p$ ). Las configuraciones rugosas generalmente exhibieron desviaciones de espesor medias negativas (CT subestimando el espesor respecto a CMM), lo cual es consistente con el filtrado mecánico donde el palpador de la CMM recorre los picos. Los casos pulidos mostraron distribuciones más cercanas a cero.
Efectos de Material y Artefactos: El Inconel 625 exhibió severos artefactos de extinción local en la región cónica del ensamblaje, dificultando la determinación de superficie por gradiente local. El aprendizaje profundo y el registro elástico proporcionaron una mejor recuperación geométrica en estas regiones, aunque dichas áreas se encuentran fuera de la zona primaria de medición CMM.
Sensibilidad de FSF: Ningún ajuste de FSF único produjo una concordancia CT–CMM de media cero en todos los casos. El FSF óptimo varió según el material y el estado superficial (por ejemplo, FSF 0.2 para Ti-6Al-4V rugoso, FSF 0.6 para Inconel 625 rugoso).
Métricas de Exactitud: En regiones bien resueltas, las desviaciones de superficie fueron típicamente dentro de $\pm 25$ µm, aunque fallos locales pudieron exceder los 150 µm. Las desviaciones estándar de las desviaciones de espesor fueron aproximadamente de la escala de vóxel (33.3 µm).
Validación de Escaneo 3D: Se proporcionaron escaneos 3D adicionales de artefactos pulidos, mostrando desviaciones medias sin signo de aproximadamente 0.10–0.15 mm contra las segmentaciones de CT, sirviendo como referencia para la precisión del registro más que como una verdad metrológica directa.

Significancia y Reivindicaciones
El artículo afirma proporcionar una base práctica para evaluar métodos de reconstrucción de volumen, reconstrucción de superficie y comparación informada por CAD para cavidades internas complejas. Los autores enfatizan que el conjunto de datos no es un estándar de trazabilidad metrológica certificado, sino una referencia práctica de alta calidad. El estudio demuestra que la concordancia CT–CMM es caso específico, influenciada por la densidad del material, la rugosidad superficial y los ajustes de adquisición, y que ningún parámetro de segmentación único (como el FSF) corrige universalmente para estas variables. El benchmark está destinado a facilitar la validación de la metrología dimensional basada en CT tanto en entornos ruidosos como limpios, incluyendo enfoques avanzados como el registro elástico y la segmentación por aprendizaje profundo. Los autores declaran explícitamente que el conjunto de datos no aísla los efectos de la rugosidad o del material de las diferencias de geometría y adquisición, ni establece un presupuesto completo de incertidumbre de medición.

Más como este