La precisión de la inteligencia artificial transformará la impresión 3D de metales con láser

En el mundo de la impresión 3D o fabricación aditiva, el procesamiento de metales mediante láser es una técnica muy popular que permite la producción automatizada, precisa y rápida de componentes intrincados.

El tratamiento de metales por láser consiste en utilizar un láser como fuente de energía para manipular el metal. Un láser es un haz amplificado de luz o radiación electromagnética que puede propagarse en línea recta con poca divergencia. 

Esto hace que los láseres sean muy útiles en el procesamiento de materiales, donde se utilizan para el mecanizado, la unión y la ingeniería de superficies. En la fabricación aditiva, los láseres se utilizan para fundir materiales y fabricar componentes por capas.

La fabricación aditiva consiste simplemente en crear un producto capa a capa. Empezó utilizando plásticos como material, gracias a su facilidad de procesamiento. Pero ahora se ha extendido a todo tipo de materiales, incluidos los metálicos.

Los materiales metálicos son conocidos por sus atractivas propiedades, como su excelente conductividad eléctrica y su gran resistencia, ductilidad y punto de fusión, que los hacen muy útiles en aplicaciones biomédicas, energéticas, arquitectónicas y militares. 

Mientras tanto, el procesamiento por láser de metales ofrece las ventajas únicas de una alta densidad de energía, una zona afectada por el calor estrecha y poca contaminación. Por eso los procesos láser se utilizan en numerosos sectores, sobre todo cuando se requiere la máxima precisión y un alto grado de personalización. Pero tiene sus propias complicaciones y retos técnicos. 

"Para garantizar que los procesos basados en láser puedan utilizarse con flexibilidad y lograr resultados coherentes, estamos trabajando en una mejor comprensión, supervisión y control de estos procesos".

- Elia Iseli, jefa de grupo de investigación en el laboratorio de Procesado Avanzado de Materiales de Empa

Con este objetivo, los investigadores Giulio Masinelli y Chang Rajani, del Empa de Thun, están haciendo más accesibles, asequibles y eficientes las técnicas de fabricación basadas en láser, utilizando el aprendizaje automático.

Ventajas y retos de la fusión de lecho de polvo con láser (PBF-LB)

En el campo más amplio del procesamiento de metales por láser, es popular la fusión de lecho de polvo, que consiste en utilizar un láser para fundir finas capas de polvo metálico en los puntos exactos y soldarlas todas juntas para producir el componente final.

La fusión de lecho de polvo con rayo láser (PBF-LB), por su parte, es una técnica especializada que ha ido ganando mucha atención en los últimos años. En esta destacada tecnología de fabricación aditiva, se utilizan láseres que emiten potencias muy elevadas para fundir específicamente polvos metálicos por capas antes de mezclarlos en componentes personalizados y de gran precisión. 

Esta técnica permite la producción de geometrías complejas al tiempo que ofrece capacidades de personalización y garantiza la eficiencia del material. 

Estas características hacen que PBF-LB sea especialmente beneficioso para sectores como el de la automoción, el médico, el aeroespacial y el de los productos de consumo, en los que se necesitan piezas ligeras y complejas, diseños personalizados, precisión, reducción de peso y creación rápida de prototipos, respectivamente. 

Aunque versátil y eficaz, la técnica se enfrenta a varios obstáculos para alcanzar una adopción más amplia y lograr su optimización.

Esto incluye tener dificultades para identificar el marco de procesamiento ideal para el polvo metálico utilizado.

"Incluso un nuevo lote del mismo polvo de partida puede requerir ajustes completamente diferentes".

- Masinelli

El aporte de alta energía necesario para la fusión de metales en esta técnica crea en realidad complejos mecanismos físicos que afectan negativamente a la calidad de las piezas. Estos mecanismos incluyen incoherencias en las propiedades de los materiales, la influencia de los gases atmosféricos y la interacción del láser con la pluma de vapor. Todos estos fenómenos acarrean problemas a la hora de identificar los parámetros.

Esto se debe principalmente a los dos modos. Uno es el modo de conducción, en el que el metal se funde sin más, y es ideal para componentes finos y precisos. La otra opción es el modo de ojo de cerradura, en el que el metal puede vaporizarse en algunos casos. Es más rápido pero también menos preciso, por lo que es adecuado para componentes más gruesos.

El límite entre estos modos, sin embargo, depende de distintos parámetros, y conseguir la mejor calidad en los productos finales requiere los ajustes adecuados, que varían en función del material que se procese. 

Las complejas interacciones entre el material y el láser también hacen que el proceso sea sensible a variaciones realmente pequeñas, que pueden dar lugar a problemas en la producción, lo que hace que la técnica requiera mucho tiempo y recursos. En consecuencia, PBF-LB requiere un laborioso ajuste de los parámetros para lograr resultados uniformes.

Tampoco termina aquí. Las muestras producidas en esta fase se analizan mediante distintas técnicas, como el análisis microestructural, las mediciones de densidad y la tomografía computarizada de rayos X (TC). 

Estos métodos proporcionan información detallada sobre las estructuras internas y detectan defectos, que son fundamentales para evaluar la calidad y el rendimiento de las piezas PBF-LB, pero, de nuevo, necesitan equipos especializados y conocimientos de expertos, además de ser caros y llevar mucho tiempo.

"Por eso muchas empresas no pueden permitirse el PBF en primer lugar".

- Masinelli

Para hacer frente a todos estos problemas, los investigadores de Empa utilizaron el aprendizaje automático para que los procesos láser fueran más eficaces, rentables y precisos.

Haga clic aquí para saber cómo la fabricación aditiva está transformando las industrias.

Aprovechamiento de la IA para el control en tiempo real de la impresión 3D de metales

Para analizar las muestras, los investigadores han recurrido a métodos de control en tiempo real mediante sensores como los de emisión acústica (AE), imágenes térmicas de alta velocidad y sensores ópticos.

Se ha optado por la supervisión en tiempo real por su capacidad para detectar acontecimientos indeseables durante el proceso de fabricación. Esto permite realizar ajustes inmediatos y, a su vez, ahorrar recursos al eliminar y volver a fundir los defectos. 

Estas técnicas de supervisión en tiempo real suelen basarse en algoritmos de aprendizaje automático (ML).

El ML, un campo de estudio de la inteligencia artificial, se ocupa del desarrollo de algoritmos estadísticos que aprenden de los datos. Estos algoritmos extraen patrones significativos de datos de alta dimensión y luego hacen predicciones, en el caso del procesamiento de metales, es decir, sobre la calidad de las piezas, sin necesidad de programar explícitamente modelos físicos complejos.

Sin embargo, estos enfoques de IA no están exentos de limitaciones. Los retos incluyen el aprendizaje del modelo para detectar cambios en los parámetros del proceso en lugar del régimen del proceso y la formación de defectos.

La deriva natural de los parámetros de las máquinas con el paso del tiempo también supone un obstáculo para la generalización de estos modelos, lo que limita la aplicabilidad práctica de los modelos de IA en los entornos de fabricación del mundo real. Además, hay que tener en cuenta los problemas de automatización, que requieren equipos especializados y se complican con múltiples parámetros, cuya exploración también supone un reto y requiere muchos recursos.

Existe una clara necesidad de algoritmos que puedan navegar de forma autónoma por el espacio de parámetros del PBF, teniendo en cuenta múltiples variables del proceso, para identificar las condiciones óptimas y comprender los regímenes de fusión subyacentes.

Esta necesidad está siendo abordada ahora por investigadores del Empa, que han propuesto un nuevo método que emplea la recopilación no supervisada de datos ópticos con un enfoque en la identificación del régimen de fusión sin requerir datos etiquetados o un extenso análisis de post-procesamiento.

Aprendizaje no supervisado para optimizar los parámetros de PBF-LB

La novedosa técnica no supervisada desarrollada por los investigadores de Empa se centra en dos parámetros principales: la potencia del láser y la velocidad de escaneado, que se han identificado como los que tienen un impacto más significativo en el régimen de fusión.

Aunque el objetivo de la estudiar¹ se basaba en estos dos parámetros, la técnica también puede utilizarse para otros parámetros del proceso. En el futuro, los investigadores incorporarán a su algoritmo el caudal de gas, el espaciado entre escotillas y el grosor de la capa para permitir una exploración más exhaustiva del espacio de parámetros PBF-LB.

Por ahora, el método propuesto señala con precisión la transición entre el modo de conducción y el modo de ojo de cerradura.

El enfoque no supervisado también proporciona una base para extraer mapas de procesamiento sin depender de datos etiquetados, lo que ofrece una ventaja considerable en PBF-LB, donde obtener datos etiquetados es costoso y difícil.

En realidad, el estudio parte de esta base e introduce un método original que combina partes de aprendizaje activo (selección de los puntos de datos más informativos) y optimización bayesiana (estrategia de muestreo iterativo que utiliza un modelo probabilístico) para derivar mapas de procesamiento de forma eficiente.

Lo que hace diferente a este enfoque es que empieza sin datos y va construyendo progresivamente el conjunto de datos decidiendo dónde realizar cada nuevo experimento, lo que permite optimizar el proceso experimental.

A pesar de emplear un enfoque iterativo para el perfeccionamiento, el modelo sigue siendo no supervisado durante todo el proceso, ya que no requiere datos etiquetados. Para identificar los regímenes de fusión, el algoritmo se basa en características extraídas de los datos ópticos, y los resultados se utilizan para entrenar un clasificador de proceso gaussiano (GPC) que proporciona una estimación probabilística del mapa. 

En cuanto a la faceta iterativa, el algoritmo selecciona nuevos ajustes de prueba basándose en aquellos campos que presentan una alta incertidumbre en las predicciones, lo que mejora la estimación del mapa de procesamiento.

Básicamente, se enseña al algoritmo a detectar en qué modo de soldadura se encuentra el láser durante una prueba, utilizando datos de sensores ópticos ya incorporados en las máquinas láser. A partir de ahí, el algoritmo establece los parámetros para la siguiente prueba.

"Esperamos que nuestro algoritmo permita a los no expertos utilizar dispositivos PBF", afirma Masinelli. Solo hace falta que los fabricantes lo integren en el firmware de las máquinas de soldadura láser.

Evaluación de la eficacia del modelo de IA en aplicaciones PBF-LB

El nuevo algoritmo introducido por los investigadores para eliminar la necesidad de un ajuste exhaustivo de los parámetros, que limita la adopción más amplia de PBF-LB, identifica de forma independiente los regímenes de fusión utilizando datos de fotodiodos.

Y cuando se probó en el laboratorio, el equipo descubrió que el método era muy preciso, alcanzando una puntuación F1 de 89,2% en dos materiales. Para evaluar el rendimiento, los investigadores imprimieron varias piezas en dos materiales. 

El primero era el Ti-6Al-4V, una de las aleaciones de titanio (alfa-beta) más utilizadas, con una excelente resistencia a la corrosión y una alta resistencia específica. El otro era el acero inoxidable 316L, una versión con bajo contenido en carbono del acero inoxidable 316, que suele utilizarse en la elaboración de alimentos, equipos farmacéuticos, dispositivos médicos, joyería, relojes de lujo, tratamiento de aguas residuales y en la industria química.

En concreto, el equipo llevó a cabo inspecciones de piscinas de fusión para verificar las predicciones del algoritmo. 

La evaluación demostró que el planteamiento reducía la necesidad de ensayos experimentales en 67% en ambos metales, manteniendo un rendimiento sólido. Esto puede reducir significativamente el coste de la exploración de parámetros. Mientras tanto, solo se produjo una disminución máxima de 8,88% en la puntuación F1 en comparación con un diseño de experimento factorial completo tradicional.

Según el estudio:

"Estos resultados subrayan la eficacia de nuestro método en el contexto de la derivación autónoma de mapas de procesamiento para procesos de fabricación avanzados". 

Los investigadores creen que el método presentado aquí puede "mejorar enormemente" tanto la eficacia como la fiabilidad del PBF-LB, lo que podría conducir a su adopción más amplia al aumentar su eficacia general en diversos sectores. Según el estudio:

"Nuestros resultados demuestran el potencial de este método para agilizar la optimización PBF-LB, haciéndola más factible para aplicaciones industriales y allanando el camino para su adopción más amplia". 

Mejora de los procesos de soldadura láser mediante la integración de IA y FPGA

Además de optimizar los experimentos preliminares, los investigadores también mejoraron el proceso de soldadura en otro proyecto. 

Cuando se trata de soldadura láser, incluso con los ajustes ideales, el proceso puede presentar desviaciones impredecibles, e incluso una mínima puede provocar defectos graves en el producto.

"Actualmente no es posible influir en el proceso de soldadura en tiempo real", afirma el investigador Rajani. "Esto está más allá de las capacidades de los expertos humanos".

- Investigadora Rajani

De hecho, incluso los ordenadores tienen problemas con la velocidad a la que hay que examinar los datos y tomar decisiones. En este caso, los investigadores utilizaron un tipo especializado de chip informático.

Este chip se denomina matriz de puertas programables en campo (FPGA) y está diseñado para la computación de alto rendimiento (HPC) y la creación de prototipos. El chip se puede programar después de salir del fabricante y adaptarlo a diferentes casos de uso sin necesidad de alterar físicamente el hardware. Su versatilidad, combinada con un alto rendimiento, los hace muy valiosos en las industrias aeroespacial, automovilística y de telecomunicaciones.

señaló Masinelli:

"Con las FPGA, sabemos exactamente cuándo ejecutarán un comando y cuánto tardará la ejecución, lo que no ocurre con un PC convencional". 

Los investigadores conectaron el FPGA a un PC para que sirviera de "cerebro de reserva". Mientras el chip observa y controla los parámetros del láser, el algoritmo del PC también utiliza estos datos para el aprendizaje.

"Si estamos satisfechos con el rendimiento del algoritmo en el entorno virtual del PC, podemos 'transferirlo' a la FPGA y hacer el chip más inteligente de una vez".

- Masinelli

Los investigadores creen que el ML y la IA tienen potencial para contribuir significativamente al procesamiento de metales por láser. Por ello, seguirán desarrollando sus algoritmos y modelos, así como ampliando su campo de aplicación, en colaboración con otros grupos de investigación y socios industriales.

Exploración de oportunidades de inversión en tecnologías de impresión 3D

Ahora, un actor clave en el diseño y la fabricación aditiva de metales es Colibrium Additive. Forma parte de General Electric Company (GE -0.82%)que ahora opera como GE Aerospace. 

Anteriormente conocida como GE Additive, fue relanzada como Colibrium Additive el verano pasado, y como parte del cambio de marca, Concept Laser y Arcam EBM fueron retiradas.

"Aunque cambiamos de nombre, mantenemos nuestro enfoque inquebrantable en nuestros clientes, la calidad y la fiabilidad. Seguiremos liderando el sector de la fabricación aditiva desde la vanguardia y perturbándolo positivamente."

- Director General Alexander Schmitz

General Electric (GE -0.82%)

En cuanto a las impresoras 3D que ofrece Colibrium Additive, incluyen impresoras de fusión de lecho de polvo por haz de electrones (EB-PBF), impresoras de fusión de lecho de polvo por láser (L-PBF) y Binder Jet. 

En cuanto al comportamiento de la empresa en el mercado, ha sido realmente próspero en los últimos años. 

Con una capitalización bursátil de más de 1.460.000 millones de euros, las acciones de GE cotizan actualmente a 1.244.000 millones de euros, lo que supone una considerable subida de 461.300 millones de euros este año. Las acciones de la empresa se acercan rápidamente a su máximo de $290, alcanzado en 2000. Su BPA (TTM) es de 6,35, y el PER (TTM) es de 38,46, mientras que la rentabilidad por dividendo disponible para los accionistas es de 0,59%.

Mientras tanto, los datos financieros de la empresa muestran un sólido 1T 2025, en el que GE registró unos ingresos totales de 1.400 millones de PTT, lo que supone un aumento de 111 PTT, mientras que el total de pedidos se disparó en 121 PTT, hasta 1.400 millones de PTT.

Este buen comienzo de 2025 se vio impulsado por los servicios comerciales, declaró el Consejero Delegado H. Lawrence Culp, Jr. al tiempo que señalaba la dinámica macroeconómica que obliga a la empresa a tomar medidas estratégicas, como controlar los costes y aprovechar los programas comerciales disponibles.

El beneficio de explotación aumentó 38% en el 1T25, hasta $2.100 millones, mientras que el BPA ajustado registró un incremento de 60%, hasta $1,49. Durante este periodo, GE también informó $1.500 millones de tesorería procedente de actividades de explotación (GAAP), mientras que el flujo de tesorería libre aumentó 14% hasta $1.400 millones. La empresa también anunció una cartera de servicios comerciales de más de 140.000 millones de euros.

En medio de todo esto, Propulsion & Additive Technologies sólo creció 1%, señalando la empresa que los precios y el volumen compensaron los menores envíos resultantes de un arranque suave previsto en las ventas de equipos.

En su informe anual de este año, GE declaró "descensos en el sector de la fabricación aditiva debido a una adopción más lenta de la tecnología", pero al mismo tiempo señaló que Colibrium Additive es "un negocio crítico para la tecnología actual y futura en GE Aerospace, ya que seguimos centrándonos en dónde puede crear más valor".

Últimas noticias y avances sobre General Electric (GE)

Conclusión

A medida que la IA sigue avanzando y transformando las industrias, también está ayudando a redefinir lo que es posible en la fabricación moderna al acelerar la optimización de procesos y permitir la adaptabilidad en tiempo real. 

Al reducir significativamente el tiempo y el coste asociados al ajuste de parámetros y la detección de defectos en PBF y lograr el control en tiempo real en la soldadura láser, la fabricación aditiva basada en láser está preparada para una adopción más amplia, allanando el camino para una nueva era de producción eficiente, accesible y personalizada.

Haga clic aquí para ver una lista de los principales valores de impresión 3D.

Estudios referenciados:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Exploración autónoma del espacio de parámetros PBF-LB: An uncertainty-driven algorithm for automated processing map generation. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}