La IA facilita la impresión 3D de la aleación aeroespacial de la NASA

La impresión 3D de metales puede crear piezas de motores de cohete con canales de refrigeración internos y geometrías que la fabricación convencional tiene dificultades para producir. Sin embargo, la capacidad de diseñar un componente avanzado en una computadora no significa que el fabricante sepa cómo imprimirlo con éxito.

Cada combinación de potencia del láser, velocidad de escaneo, suministro de polvo, flujo de gas y altura de capa puede cambiar el resultado. Una combinación inadecuada puede generar poros, grietas o una unión débil. Descubrir los ajustes correctos a menudo requiere meses de costosos ensayos y errores.

Investigadores de Washington State University y la University of Minnesota han demostrado¹ que la inteligencia artificial puede hacer que esta búsqueda sea sustancialmente más eficiente. Su sistema identificó múltiples formas de imprimir GRCop-42, una aleación de cobre desarrollada por la NASA que es difícil de procesar, utilizando impresoras 3D de metal de menor potencia y más ampliamente disponibles.

El logro es importante más allá de una sola aleación. Sugiere que la IA podría ayudar a los fabricantes a llevar nuevos materiales a la producción más rápidamente, reducir el costo del desarrollo de procesos y ampliar el número de instalaciones capaces de producir componentes aeroespaciales especializados.

Por qué GRCop-42 es valioso para la fabricación aeroespacial

GRCop-42 es una aleación de cobre, cromo y niobio desarrollada para entornos donde los componentes deben soportar calor extremo. Combina alta conductividad térmica con resistencia, resistencia a la oxidación, resistencia a la fluencia y resistencia a la fatiga térmica.

Estas propiedades la hacen especialmente útil en cámaras de combustión de motores de cohete, intercambiadores de calor y otros sistemas de alto flujo de calor. El cobre conduce bien el calor, pero las aleaciones de cobre convencionales pueden perder resistencia a temperaturas elevadas. GRCop-42 fue diseñada para equilibrar ambos requisitos.

Las mismas características que hacen que la aleación sea valiosa también la hacen difícil de imprimir. El cobre refleja gran parte de la energía infrarroja producida por los láseres de fibra comunes. Además, desplaza rápidamente el calor absorbido fuera de la piscina de fusión. Si la impresora no puede crear y mantener una piscina de fusión estable, el material depositado puede no adherirse correctamente.

Los fabricantes pueden compensar usando equipos más potentes, pero eso eleva el costo de entrada. Por ello, los investigadores se preguntaron si GRCop-42 podría depositarse con éxito por debajo de 900 vatios, con especial interés en el rango de 500 a 700 vatios que soportan muchas más máquinas.

Cómo la IA reemplazó un costoso proceso de prueba y error

El equipo desarrolló un marco llamado Diseño Experimental Bayesiano para Fabricación Aditiva, o BEAM. No opera la impresora de forma autónoma ni inventa una pieza. En su lugar, decide qué configuraciones de impresión son más útiles para probar a continuación.

BEAM comienza con experimentos previos, incluidos impresiones fallidas. Construye un modelo probabilístico que conecta los ajustes de la impresora con la probabilidad de producir una estructura aceptable, luego selecciona otro pequeño lote para pruebas físicas. Esos resultados se devuelven al modelo y el ciclo se repite.

Este es un uso práctico de la IA porque mantiene la experimentación física en el bucle. Otros investigadores están aplicando de manera similar IA para mejorar la precisión del procesamiento de metales basado en láser. El modelo no necesita simular perfectamente cada interacción metalúrgica. Sólo necesita que cada experimento costoso sea más informativo que una suposición mayormente manual.

El incentivo económico es considerable. Según el artículo, una sola ejecución de deposición de energía dirigida puede costar entre $500 y $1,000. El análisis posterior a la impresión puede requerir otros $500 por muestra y tomar de una a cuatro semanas. Explorar la ventana de proceso de una nueva aleación puede superar los $100,000, incluso sin contar los meses de mano de obra especializada.

Qué probaron los investigadores

Los investigadores utilizaron un sistema de deposición de energía dirigida de cinco ejes equipado con un láser de fibra infrarrojo de 1,000 vatios. La deposición de energía dirigida alimenta polvo metálico en una piscina de fusión generada por el láser, construyendo gradualmente material sobre una superficie. En este caso, el sistema depositó GRCop-42 sobre Inconel 718, otra aleación ampliamente usada en aplicaciones de alta temperatura.

Las combinaciones potenciales de velocidad de alimentación, flujo de gas, velocidad de escaneo, altura de capa y potencia del láser generaron aproximadamente un millón de configuraciones candidatas en cada nivel de potencia. En lugar de explorar este enorme espacio manualmente, BEAM recibió un presupuesto de solo 10 experimentos para cada potencia de láser seleccionada.

En tres meses, el marco encontró al menos una configuración factible en cada nivel de potencia. Las muestras exitosas incluían interiores sólidos con defectos mínimos y una transición suave entre los materiales GRCop-42 e Inconel 718. El equipo también descubrió que velocidades de escaneo inusualmente altas y capas más delgadas de lo normal fueron importantes para producir estructuras sólidas.

La impresión de baja potencia podría ampliar el acceso a aleaciones avanzadas

Imprimir GRCop-42 a 500 vatios no solo reduce la electricidad consumida por un láser. Cambia qué equipos pueden participar. El artículo estima que más del 90 % de las impresoras relevantes operan entre 500 y 1,000 vatios. Encontrar ajustes fiables en ese rango podría permitir a universidades, fabricantes más pequeños y centros de investigación especializados trabajar con una aleación que de otro modo requeriría sistemas más costosos.

La operación de baja potencia también puede reducir la distorsión, mejorar la calidad de la superficie, limitar el desgaste de la óptica del láser y disminuir los requisitos de post‑procesamiento. Estos beneficios deberían medirse para un proceso de producción específico, pero demuestran por qué el descubrimiento de parámetros afecta la economía de la fabricación tanto como la viabilidad técnica.

Ventajas potenciales incluyen:

• Menos construcciones fallidas durante el desarrollo del material
• Requisitos de equipamiento y post‑procesamiento más bajos
• Calificación más rápida de nuevos materiales y componentes
• Producción más distribuida de piezas metálicas especializadas

Este último punto es particularmente relevante para la industria aeroespacial y de defensa. Estas industrias necesitan volúmenes bajos de piezas especializadas y a menudo enfrentan cadenas de suministro con pocos proveedores calificados. Un proceso transferible a más máquinas podría hacer que las series de producción limitadas dependan menos de una única instalación.

La IA podría convertirse en una herramienta de comercialización de materiales

La oportunidad más amplia no se limita a GRCop-42. La fabricación aditiva de metales admite muchas aleaciones potencialmente valiosas, pero cada nueva combinación de material y máquina requiere su propia ventana de proceso. Un ajuste que funciona en una impresora puede no transferirse perfectamente a otra debido a diferencias en láseres, polvo, atmósfera, geometría y comportamiento térmico.

Esto crea un cuello de botella oculto. Los científicos de materiales pueden formular una aleación con propiedades impresionantes, mientras que los fabricantes pueden seguir sin disponer de un método asequible y repetible para convertirla en componentes terminados. Métodos similares asistidos por IA ya se están utilizando para desarrollar acero imprimible en 3D más fuerte y resistente a la corrosión. El diseño experimental guiado por IA puede ayudar a cerrar la brecha manufacturera restante al tratar los experimentos fallidos como datos útiles y dirigir recursos hacia las partes del espacio de búsqueda con mayor probabilidad de producir resultados viables.

A medida que las empresas recopilan datos de distintas máquinas y materiales, los modelos podrían eventualmente iniciar proyectos con conocimientos aprendidos de aleaciones similares. Eso convertiría la historia del desarrollo de procesos en un activo manufacturero reutilizable.

Sin embargo, el presente estudio no debe interpretarse como prueba de que los componentes listos para vuelo puedan imprimirse ahora a 500 vatios. Los investigadores produjeron muestras de laboratorio, no motores de cohete certificados. La adopción aeroespacial aún requeriría estudios de repetibilidad, pruebas mecánicas, validación a nivel de componentes y aprobación bajo sistemas de calidad exigentes. BEAM aceleró el descubrimiento de ajustes factibles, lo cual es una etapa temprana pero costosa de un proceso de comercialización mucho más largo.

Invertir en fabricación aditiva de metales habilitada por IA

Para los inversores interesados en empresas que operan en la intersección de la aeroespacial, la IA y la fabricación aditiva, Velo3D (VELO )ofrece un ejemplo particularmente relevante. La compañía desarrolla la familia Sapphire de sistemas de fabricación aditiva de metales para aplicaciones aeroespaciales y de defensa críticas para la misión.

Velo3D ya ha calificado GRCop-42 para su plataforma. Su tecnología utiliza fusión láser de lecho de polvo en lugar del proceso de deposición de energía dirigida probado en el artículo, por lo que las configuraciones de BEAM no pueden copiarse simplemente a una impresora Sapphire. El principio más amplio sigue siendo relevante: el descubrimiento guiado por IA podría ayudar a los fabricantes de impresoras a calificar materiales difíciles y reducir los costos de desarrollo.

Eso brinda una tesis de inversión natural basada en la acumulación de conocimiento de procesos. La ventaja competitiva a largo plazo en la impresión de metales puede no provenir únicamente de la potencia del láser o del volumen de construcción. También puede depender de qué empresa puede convertir de manera fiable la gama más amplia de materiales avanzados en piezas repetibles y certificables.

Velo3D sigue siendo una empresa pequeña y especulativa expuesta a riesgos de ejecución, financiación, competencia y concentración de clientes. No obstante, su enfoque aeroespacial y la capacidad existente con GRCop-42 la convierten en una compañía cotizada relevante a observar a medida que la IA se integra más profundamente en el desarrollo de procesos industriales.

La IA está cambiando cómo se desarrollan las tecnologías físicas

La característica más trascendental de BEAM es que aplica IA a una restricción industrial física. No genera un concepto que aún necesite ser probado. Elige qué prueba del mundo real debe realizarse a continuación, aprende del resultado y hace que el experimento siguiente esté más informado.

Ese bucle cerrado podría convertirse en un patrón definitorio para la IA en la fabricación. A medida que los materiales y componentes se vuelven más especializados, la experimentación exhaustiva se vuelve demasiado lenta y costosa. Los sistemas que combinan aprendizaje automático con conocimiento experto pueden reducir la búsqueda sin excluir a científicos o ingenieros del proceso.

Para los fabricantes aeroespaciales, el resultado inmediato es una forma más accesible de imprimir una aleación valiosa de la NASA. La implicación más profunda es que la IA podría acortar el camino entre descubrir un material avanzado y producir piezas útiles a partir de él. Eso podría expandir la fabricación aditiva más allá de la libertad geométrica y convertirla en una plataforma más rápida para comercializar los propios materiales.

Referencias:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Descubrimiento de configuraciones factibles de impresión 3D para aleaciones metálicas mediante diseño experimental adaptativo impulsado por IA. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}