La impresión 3D de metales ha revolucionado la fabricación en sectores como la aeronáutica, defensa y energía, donde la precisión y durabilidad son fundamentales. Sin embargo, esta tecnología presenta desafíos importantes, como la generación de defectos microscópicos durante el proceso de fusión por lecho de polvo láser (LPBF). Estos defectos, conocidos como poros de tipo keyhole, pueden debilitar las piezas impresas, reduciendo su resistencia y limitando su aplicación en entornos de alta exigencia.
Un equipo de investigadores de varias instituciones, incluidas la Universidad de Northwestern y la Universidad de Virginia, ha desarrollado un sistema innovador basado en machine learning que mejora la detección de estos defectos en tiempo real. Con sensores básicos, como micrófonos y fotodiodos, y una precisión superior al 90%, esta tecnología tiene el potencial de transformar la calidad y eficiencia de la impresión 3D de metales.
La problemática de los poros keyhole en la impresión 3D
Durante el proceso de LPBF, los poros keyhole se forman debido a la acumulación de vapor en el baño de fusión creado por el láser. Estos poros pueden quedar atrapados dentro de la pieza impresa, generando puntos débiles que comprometen su integridad estructural. La detección de estos defectos es crucial, pero hasta ahora ha sido complicada debido a la rapidez y complejidad del proceso de impresión.
El desafío no es solo identificar estos poros, sino hacerlo en tiempo real y con la precisión necesaria para corregir el proceso de inmediato. Las técnicas de inspección post-producción, aunque útiles, aumentan los tiempos y costos de fabricación, lo cual es problemático en industrias que dependen de una alta precisión y bajos márgenes de error.
Machine learning al rescate: un enfoque innovador para la detección de defectos
Para enfrentar este problema, los investigadores han implementado un sistema de detección de defectos en tiempo real utilizando machine learning. La clave de este enfoque radica en el uso de sensores accesibles y económicos, como micrófonos y fotodiodos, que capturan los sonidos y luces emitidos durante el proceso de fusión. A partir de los datos recolectados, un modelo de machine learning detecta las oscilaciones en el keyhole, permitiendo identificar la formación de poros con una precisión superior al 90%.
El modelo fue entrenado con imágenes de rayos X de alta velocidad, obtenidas mediante imágenes sincrotrónicas, lo que permitió crear una “verdad de referencia” para reconocer las condiciones que conducen a la formación de estos defectos. Este enfoque logró una resolución temporal de 0.1 milisegundos, lo cual es fundamental para una detección rápida y eficaz.
Beneficios de la detección en tiempo real: precisión y ahorro en costos
Esta tecnología de detección en tiempo real ofrece beneficios significativos. Al identificar los defectos durante el proceso de impresión, se pueden realizar ajustes o pausas en tiempo real, evitando la creación de piezas defectuosas que requerirían un proceso de inspección o reparación posterior. Esto no solo reduce el tiempo y los costos de producción, sino que también mejora la calidad y confiabilidad de las piezas, especialmente en aplicaciones donde la seguridad es primordial.
Este sistema tiene el potencial de reducir la dependencia de inspecciones post-producción, lo que podría ser revolucionario para sectores que dependen de piezas de alta precisión. Por ejemplo, en la industria aeroespacial, un componente defectuoso puede poner en riesgo toda una operación, por lo que esta tecnología representa una gran ventaja competitiva.
Futuras mejoras y perspectivas para la impresión 3D de precisión
A pesar de su éxito en pruebas de fusión láser de una sola pista, el equipo de investigación tiene planes de mejorar y escalar esta tecnología. En el futuro, planean integrar sensores adicionales para aumentar la precisión del modelo y adaptar esta tecnología para impresiones 3D más complejas. Las próximas investigaciones también buscarán monitorear el movimiento de los poros dentro del baño de fusión y evaluar la eliminación de estos poros mediante ciclos repetidos de fusión, permitiendo una fabricación de piezas 3D más robustas.
El desarrollo de este sistema marca un avance importante en la detección de defectos en la impresión 3D, destacando cómo la combinación de sensores accesibles y machine learning puede resolver desafíos complejos en fabricación avanzada.