⚡ electrical engineering

Machine Learning-based Surrogate Model for Melt Pool Control in Laser-based Direct Energy Deposition

Este artículo presenta un novedoso controlador sustituto basado en aprendizaje automático acoplado con un resolvedor de elementos finitos que permite el ajuste autónomo y en tiempo real de la potencia del láser en la Depósito de Energía Directa basada en Láser para mantener una penetración estable del baño de fusión, mejorando así la precisión geométrica y reduciendo el tiempo de computación al demostrar una generalización robusta a través de diversas secuencias de escaneo.

Autores originales: Runeal Ramma, Carlos Moreira, Michele Chiumenti, Manuel Alejandro Caicedo, Raj Das, Zhijun Ji, Andrey Molotnikov

Publicado 2026-07-21

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Runeal Ramma, Carlos Moreira, Michele Chiumenti, Manuel Alejandro Caicedo, Raj Das, Zhijun Ji, Andrey Molotnikov

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 que estás intentando construir un castillo de chocolate fundido usando una pistola de calor de alta potencia. Quieres que las capas se peguen perfectamente, pero si mantienes la pistola de calor en el mismo ajuste todo el tiempo, la base de tu castillo se calienta demasiado y comienza a derretirse en un desastre pegajoso, mientras que la parte superior permanece demasiado fría para adherirse. Esta es la complicada realidad de una técnica de fabricación llamada Deposición de Energía Directa basada en Láser (DED-LB). Es como imprimir en 3D con metal, donde un láser funde el polvo para construir piezas capa por capa. El gran problema es la "acumulación de calor": a medida que la máquina construye, la pieza se calienta más y más, haciendo que el baño de fusión crezca demasiado en tamaño y profundidad, lo que arruina la forma y la resistencia del objeto final. Durante años, los ingenieros han intentado solucionar esto deteniéndose para enfriarse o mediante suposiciones sobre los ajustes correctos, pero estos métodos son lentos o imprecisos. El objetivo es encontrar una forma de ajustar automáticamente la potencia del láser en tiempo real, como un termostato inteligente que sabe exactamente cuándo subir o bajar el calor para mantener el "baño de fusión" a la profundidad perfecta.

Este artículo presenta una nueva y astuta solución: un "controlador sustituto" impulsado por el Aprendizaje Automático (ML) que actúa como un copiloto súper rápido y súper inteligente para el láser. En lugar de esperar a los cálculos lentos y pesados de las simulaciones computacionales tradicionales para determinar los ajustes de potencia correctos, los investigadores entrenaron un modelo de IA para predecir la potencia del láser de forma instantánea. Primero utilizaron una simulación computacional de alta fidelidad (un gemelo digital muy detallado del proceso) para generar una enorme biblioteca de escenarios de "qué pasaría si". Enseñaron a la IA a reconocer patrones en el calor y en la forma del metal fundido, centrándose específicamente en mantener la "profundidad de penetración" (qué tan profundo funde el láser en el metal) constante en 0,40 mm. Una vez entrenado, este modelo de IA se conectó a la simulación para controlar el láser en tiempo real.

Los resultados muestran que este enfoque impulsado por IA cambia las reglas del juego en cuanto a velocidad y estabilidad. En pruebas que involucraron diferentes formas como paredes delgadas y cubos huecos, el controlador de IA logró mantener la profundidad del baño de fusión estable, tan bien como el método tradicional lento, pero lo hizo aproximadamente tres veces más rápido. Por ejemplo, mientras que el método antiguo tomó unas 141 horas de tiempo computacional para determinar los ajustes de potencia para un cubo hueco, la IA lo hizo en unas 57 horas. Aún más impresionante, la IA controló con éxito formas complejas que no había visto antes durante su entrenamiento, demostrando que puede generalizar su conocimiento a nuevos trabajos. El estudio sugiere que, al utilizar este sustituto basado en ML, los fabricantes pueden reducir la acumulación de calor, prevenir defectos y fabricar piezas metálicas complejas con una precisión geométrica mucho mayor, todo ello reduciendo el tiempo necesario para planificar el proceso. Los autores señalan que, aunque la IA es actualmente una herramienta basada en simulación, ofrece un camino sólido hacia el control autónomo y en tiempo real para el futuro de la impresión 3D de metales.

Resumen Técnico: Modelo Sustituto Basado en Aprendizaje Automático para el Control del Pozo de Fusión en la Depósito de Energía Directa por Láser

Planteamiento del Problema

La Deposición de Energía Directa basada en Láser (DED-LB) es una tecnología crítica para la fabricación aditiva (AM) de metales, particularmente para la reparación de componentes y la fabricación de geometrías complejas. Sin embargo, su adopción más amplia se ve obstaculizada por desafíos en el control dinámico del proceso, específicamente la acumulación de calor. El empleo de parámetros de proceso constantes, como una potencia de láser fija, provoca una distorsión térmica significativa, tensiones residuales elevadas y grietas en el sustrato. Si bien existen enfoques numéricos y controladores para optimizar los parámetros, los métodos tradicionales suelen depender de una optimización iterativa fuera de línea o de controladores dependientes de los parámetros que carecen de adaptabilidad ante nuevas secuencias de escaneo o cambios ambientales. Además, existe una brecha en los marcos de trabajo que puedan computar eficientemente los parámetros de procesamiento óptimos mientras se adaptan rápidamente a nuevos escenarios para asegurar la precisión geométrica y la repetibilidad.

Metodología

Los autores proponen una estrategia novedosa que integra un modelo de Aprendizaje Automático (ML) como un controlador sustituto, acoplado a un resolvedor de Elementos Finitos (FE), para lograr el control del proceso en tiempo de ejecución. La metodología se ejecuta en dos fases distintas:

1. Optimización Fuera de Línea y Generación de Datos

Marco de Simulación: Se realiza un análisis térmico de Alta Fidelidad (HF) utilizando FEMUSS, un software multifísico propio. El modelo se calibra con datos experimentales de una deposición de pared delgada de Ti6Al4V, minimizando los errores entre los perfiles térmicos medidos y simulados para determinar los coeficientes de transferencia de calor (HTC).
Optimización A-Posteriori: Un bucle iterativo fuera de línea ajusta el suministro de potencia del láser para mantener una profundidad de penetración del pozo de fusión definida por el usuario ( $D_{target} = 0.40$ mm). Este objetivo se seleccionó para asegurar el refusión de la capa anterior (previniendo la delaminación) minimizando la falta de fusión.
Lógica de Control: Un enfoque de control de retroalimentación proporcional ( $K_p$ ) corrige iterativamente el suministro de potencia basándose en la diferencia entre la profundidad de penetración observada y la objetivo. Este proceso genera un conjunto de datos de perfiles de potencia optimizados y sus correspondientes firmas térmicas/geométricas.

2. Desarrollo del Modelo de Aprendizaje Automático

Construcción del Conjunto de Datos: Se generaron datos sintéticos a partir de 42 casos simulados que involucran secuencias de escaneo unidireccionales y bidireccionales de paredes delgadas (10–110 mm).
Selección de Características: Un análisis de correlación de rango de Spearman identificó características de entrada clave, incluyendo la temperatura máxima, la temperatura del pozo de fusión, la temperatura de pulso, la temperatura de la región siguiente, el volumen del pozo de fusión y la profundidad de penetración. La "profundidad de penetración de la región siguiente" se preestableció al valor objetivo (0.40 mm) para actuar como salvaguarda durante el entrenamiento.
Arquitectura: Se diseñó una Red Neuronal Artificial de Regresión (R-ANN) utilizando el ajuste de hiperparámetros Bayesiano (vía Keras). La arquitectura óptima incluye una capa oculta con 15 neuronas, activación ReLU y el Error Absol de la Media (MAE) como función de pérdida. El modelo fue entrenado utilizando el optimizador Adam con parada temprana para evitar el sobreajuste.
Integración de Bucle Cerrado: El modelo de ML entrenado se integra con el resolvedor FE en un bucle cerrado. Durante el tiempo de ejecución, el resolvedor proporciona los estados térmicos y geométricos actuales al modelo de ML, el cual predice instantáneamente la potencia correctiva del láser para mantener la profundidad de penetración objetivo.

Contribuciones Clave

Control Sustituto Rápido: El marco deriva un perfil de potencia de láser variable que asegura una profundidad de penetración del pozo de fusión constante en una sola iteración, eliminando la necesidad de optimización iterativa fuera de línea o de ensayo y error experimental.
Eficiencia Computacional: El enfoque basado en ML logra resultados aproximadamente 3 veces más rápidos que el enfoque de optimización fuera de línea (por ejemplo, reduciendo el tiempo de computación de ~40 horas a ~12 horas para una pared delgada).
Capacidad de Generalización: El modelo predice con éxito perfiles de potencia optimizados para secuencias de escaneo (cubo hueco y cubo con partición de relleno) que no fueron incluidos en el conjunto de datos de entrenamiento, demostrando una generalización robusta.
Gestión Térmica: El sistema genera eficazmente las reducciones de potencia necesarias para minimizar la acumulación de calor, manteniendo una morfología del pozo de fusión constante (profundidad y longitud) a través de diferentes geometrías.
Interpretabilidad de Características: Utilizando SHapley Additive exPlanations (SHAP), el estudio cuantifica la importancia de las características de entrada, revelando que las características térmicas (temperatura del sustrato, longitud del pozo de fusión) son primordiales en la influencia de las predicciones de potencia, superando a menudo a las características geométricas.

Resultados

El desempeño del controlador sustituto de ML se evaluó contra estrategias de potencia constante y optimización fuera de línea a través de tres ejemplos numéricos: una pared delgada unidireccional, una deposición de cubo hueco y una deposición de cubo con partición de relleno.

Estabilidad de la Profundidad de Penetración:
- Potencia Constante: La profundidad de penetración creció de forma incontrolada.
- Optimización Fuera de Línea: El 98.51% de los valores de profundidad de penetración se situaron dentro de la ventana objetivo (0.38–0.42 mm) para el caso del cubo hueco.
- Sustituto de ML: El 91.77% de los valores se situaron dentro de la ventana objetivo para el caso del cubo hueco, y el 87.68% para el caso del cubo con partición de relleno.
Longitud del Pozo de Fusión: El controlador de ML mantuvo la longitud del pozo de fusión dentro del rango objetivo (3.18–3.55 mm) con una adherencia del 82.81% (hueco) y 87.54% (relleno), comparable o superior a la optimización fuera de línea en algunas métricas.
Métricas de Error: En un caso de validación no visto (cilindro), el modelo de ML logró un Error Absoluto Medio (MAE) de 100.4 W y un Error Porcentual Absoluto Medio (MAPE) del 5.55% en comparación con el perfil de potencia optimizado fuera de línea.
Perfiles Térmicos: Tanto la estrategia fuera de línea como la de ML redujeron significamente la acumulación térmica en comparación con la potencia constante, mostrando la estrategia de ML transiciones de temperatura más suaves al inicio de los trazos (hatches).

Significado

El artículo afirma que este trabajo proporciona un marco robusto para el control preciso y escalable de los procesos de AM de metales. Al acoplar un sustituto de ML con un resolvedor FE, el sistema permite un control autónomo en tiempo de ejecución que se adapta a las condiciones térmicas dinámicas sin intervención humana. La capacidad de generalizar a secuencias de escaneo no vistas sugiere que el método puede servir como una herramienta confiable para el prototipado rápido y la fabricación de piezas estructurales complejas, reduciendo significamente el tiempo y el costo asociados con la optimización de parámetros. Los autores señalan que, si bien el modelo actual utiliza una red de regresión, el trabajo futuro investigará las Redes Neuronales Recurrentes (RNN) para capturar mejor las dependencias temporales en los datos de series temporales para un control aún más responsivo.