Precisión impulsada por IA para transformar la impresión 3D de metal basada en láser

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

El procesamiento de metales basado en láser implica el uso de 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 usan para fundir materiales y fabricar componentes capa por capa.

La fabricación aditiva consiste simplemente en crear un producto capa por capa. Comenzó con el uso de plásticos como material, gracias a su facilidad de procesado. Pero ahora se ha expandido para incluir todo tipo de materiales, incluidos los metálicos.

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

El procesamiento láser de metales, por su parte, ofrece beneficios únicos de alta densidad de energía, una zona afectada por el calor estrecha y poca contaminación. Por eso los procesos láser se utilizan en numerosos sectores, especialmente donde se requiere la máxima precisión y alta personalización. Pero también tiene sus propias complicaciones y desafíos técnicos.

“Para garantizar que los procesos basados en láser puedan usarse de forma flexible y lograr resultados consistentes, estamos trabajando en una mejor comprensión, monitoreo y control de estos procesos.”

– Elia Iseli, líder del grupo de investigación en el laboratorio de Procesamiento de Materiales Avanzados de Empa

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

Comprender las ventajas y desafíos de la fusión de lecho de polvo láser (PBF-LB)

En el amplio campo del procesamiento de metales basado en láser, la fusión de lecho de polvo es una técnica popular, que implica usar 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 haz láser (PBF-LB), por su parte, es una técnica especializada que ha ganado mucha atención en los últimos años. En esta destacada tecnología de fabricación aditiva, se utilizan láseres que emiten potencias muy altas para fundir específicamente polvos metálicos capa por capa antes de combinarlos en componentes personalizados y de alta 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 el PBF-LB sea particularmente beneficioso para industrias como la automotriz, médica, aeroespacial y de productos de consumo, donde se requieren piezas ligeras y complejas, diseños personalizados, precisión, reducción de peso y prototipado rápido, respectivamente.

Aunque versátil y eficiente, la técnica enfrenta varios obstáculos para alcanzar una adopción más amplia y lograr la optimización.

Esto incluye la dificultad de identificar el marco de procesamiento ideal para el polvo metálico utilizado.

“Incluso un nuevo lote del mismo polvo inicial puede requerir configuraciones completamente diferentes.”

– Masinelli

La alta energía de entrada necesaria para la fusión del metal en esta técnica realmente crea mecanismos físicos complejos que afectan negativamente la calidad de las piezas. Estos mecanismos incluyen inconsistencias en las propiedades del material, la influencia de los gases atmosféricos y la interacción del láser con la nube de vapor. Todos estos fenómenos generan problemas al identificar los parámetros.

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

Sin embargo, la frontera entre estos modos depende de diferentes parámetros, y lograr la mejor calidad en los productos finales requiere los ajustes correctos, que varían según el material que se procesa.

Las complejas interacciones entre el material y el láser también hacen que el proceso sea sensible a variaciones muy pequeñas, lo que puede generar problemas en la producción, y esto hace que la técnica sea intensiva en tiempo y recursos. Como resultado, el PBF-LB necesita un afinamiento laborioso de los parámetros para lograr resultados consistentes.

No termina aquí tampoco. Las muestras producidas en esta etapa se analizan luego mediante diferentes técnicas como análisis microestructural, mediciones de densidad y tomografía computarizada (CT) de rayos X.

Estos métodos proporcionan información detallada sobre las estructuras internas y detectan defectos, lo cual es crítico para evaluar la calidad y el rendimiento de las piezas PBF-LB, pero nuevamente, requieren equipos especializados y conocimientos expertos, además de ser costosos y consumir mucho tiempo.

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

– Masinelli

Para abordar todos estos problemas, los investigadores de Empa utilizaron el aprendizaje automático para hacer que los procesos láser sean más eficientes, rentables y precisos.

Haga clic aquí para aprender cómo la fabricación aditiva está remodelando las industrias.

Aprovechar la IA para el control en tiempo real en la impresión 3D de metal

Para el análisis de muestras, los investigadores han recurrido a métodos de monitoreo en tiempo real utilizando sensores como emisión acústica (AE), imágenes térmicas de alta velocidad y sensores ópticos.

El monitoreo en tiempo real se ha elegido por su capacidad de detectar eventos indeseables durante el proceso de fabricación. Esto permite ajustes inmediatos, lo que a su vez ahorra recursos al eliminar y volver a fundir defectos.

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

Un campo de estudio dentro de la inteligencia artificial, el aprendizaje automático 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, sobre la calidad de la pieza, sin necesidad de programar explícitamente modelos físicos complejos.

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

La deriva natural en los parámetros de la máquina a lo largo del tiempo también representa una barrera para la generalización de estos modelos, limitando la aplicabilidad práctica de los modelos de IA en entornos de fabricación del mundo real. Además, existen problemas con la automatización, que requieren equipos especializados y se complican por múltiples parámetros, cuya exploración también es desafiante y consume recursos.

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

Esta necesidad está siendo abordada ahora por investigadores de 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 ni un análisis extensivo posterior.

Implementación del aprendizaje no supervisado para optimizar los parámetros del PBF-LB

La novedosa técnica no supervisada desarrollada por los investigadores de Empa se centra en dos parámetros principales: potencia del láser y velocidad de escaneo, que se identifican como los que tienen mayor impacto en el régimen de fusión.

Mientras el enfoque del estudio¹ estaba en estos dos parámetros, la técnica también puede usarse para parámetros de proceso adicionales. En el futuro, los investigadores incorporarán el caudal de gas, el espaciamiento de pasadas y el espesor de capa en su algoritmo para permitir una exploración más completa del espacio de parámetros del PBF-LB.

Por ahora, el método propuesto indica con precisión la transición entre el modo de conducción y el modo de cavidad.

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 el PBF-LB, donde obtener datos etiquetados es costoso y desafiante.

El estudio en realidad se basa en esta base e introduce un método original que combina partes del aprendizaje activo (selección de los puntos de datos más informativos) y la optimización bayesiana (estrategia de muestreo iterativa que utiliza un modelo probabilístico) para derivar mapas de procesamiento de manera eficiente.

Lo que diferencia al enfoque es que comienza sin datos y luego construye progresivamente el conjunto de datos decidiendo dónde realizar cada nuevo experimento, permitiendo así que el proceso experimental se optimice.

Cabe destacar que, a pesar de emplear un enfoque iterativo para el refinamiento, el modelo permanece 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 luego para entrenar un Clasificador de Proceso Gaussiano (GPC) que brinda una estimación probabilística del mapa.

En cuanto al aspecto iterativo, el algoritmo selecciona nuevas configuraciones de prueba basándose en aquellos campos que presentan 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 está el láser durante una prueba, utilizando datos de sensores ópticos ya incorporados en las máquinas láser. Con base en esto, el algoritmo establece los parámetros para la siguiente prueba.

“Esperamos que nuestro algoritmo permita a personas no expertas usar dispositivos PBF,” dijo Masinelli. Sólo necesita integrarse en el firmware de las máquinas de soldadura láser por parte de los fabricantes.

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

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

Y cuando se probó en el laboratorio, el equipo encontró que el método era altamente preciso, alcanzando una puntuación F1 del 89,2% en dos materiales. Para evaluar el rendimiento, los investigadores imprimieron múltiples piezas en dos materiales.

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

En particular, el equipo realizó inspecciones de la zona de fusión para verificar las predicciones del algoritmo.

La evaluación mostró que el enfoque redujo la necesidad de ensayos experimentales en un 67% en ambos metales, manteniendo un rendimiento sólido. Esto puede reducir significativamente el costo de la exploración de parámetros. Mientras tanto, sólo hubo una disminución máxima del 8,88% en la puntuación F1 en comparación con un diseño experimental factorial completo tradicional.

The study stated:

“Estos resultados subrayan la eficiencia 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 introducido aquí puede “mejorar enormemente” tanto la eficiencia como la fiabilidad del PBF-LB, lo que podría conducir a una adopción más amplia al mejorar su efectividad general en varios sectores. Según el estudio:

“Nuestros resultados demuestran el potencial de este método para simplificar la optimización del PBF-LB, haciéndola más viable para aplicaciones industriales y allanando el camino para su adopción más amplia.” 

Mejorar 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.

En lo que respecta a la soldadura láser, incluso con configuraciones ideales, el proceso aún puede generar desviaciones impredecibles, y una mínima puede provocar defectos graves en el producto.

“Actualmente no es posible influir en el proceso de soldadura en tiempo real,” dijo la investigadora Rajani. “Esto está más allá de las capacidades de los expertos humanos.”

– Investigadora Rajani

De hecho, incluso las computadoras tienen dificultades con la velocidad a la que se deben examinar los datos y tomar decisiones. Los investigadores utilizaron aquí un tipo especializado de chip de computadora.

Este chip se llama matriz de puertas programables en campo (FPGA), que está diseñada para la computación de alto rendimiento (HPC) y prototipado. El chip puede programarse después de ser liberado por el fabricante y adaptarse a diferentes casos de uso sin necesidad de alterar físicamente el hardware. Su versatilidad, combinada con alto rendimiento, lo hace muy valioso en las industrias aeroespacial, automotriz y de telecomunicaciones.

“Con los FPGA, sabemos exactamente cuándo ejecutarán un comando y cuánto tiempo tomará la ejecución, lo cual no ocurre con una PC convencional.” 

Los investigadores conectaron el FPGA a una PC para que sirviera como un “cerebro de respaldo”. A medida que el chip observa y controla los parámetros del láser, estos datos también son utilizados por el algoritmo en la PC para el aprendizaje.

“Si estamos satisfechos con el rendimiento del algoritmo en el entorno virtual en la PC, podemos ‘transferirlo’ al FPGA y hacer que el chip sea más inteligente de una sola vez.”

– Masinelli

Los investigadores creen que el ML y la IA tienen el potencial de contribuir significativamente al procesamiento de metales basado en láser. Como tal, continuarán desarrollando sus algoritmos y modelos, así como ampliando su área de aplicación, en colaboración con otros grupos de investigación y socios industriales.

Explorando oportunidades de inversión en tecnologías de impresión 3D

Ahora, un actor clave en el diseño y fabricación aditiva de metales es Colibrium Additive. Es parte de General Electric Company (GE ), que ahora opera bajo el nombre de 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 retirados.

“Aunque estamos cambiando nuestro nombre, mantenemos nuestro enfoque inquebrantable en nuestros clientes, calidad y fiabilidad. Continuaremos liderando la industria de la fabricación aditiva desde la vanguardia y la disruptiremos positivamente.”

– CEO Alexander Schmitz

General Electric (GE )

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

En cuanto al rendimiento del mercado de la empresa, ha estado realmente prosperando en los últimos años.

Con una capitalización de mercado de más de 260 mil millones de dólares, las acciones de GE cotizan actualmente alrededor de 244 $, con un aumento sustancial del 46 % este año. La acción de la compañía se acerca rápidamente a su pico de alrededor de 290 $, alcanzado en 2000. Su BPA (TTM) es 6,35, y su PER (TTM) es 38,46, mientras que el rendimiento de dividendos disponible para los accionistas es 0,59 %.

Mientras tanto, los resultados financieros de la compañía muestran un sólido primer trimestre de 2025 en el que GE registró ingresos totales de 9,9 mil millones de dólares, un aumento del 11 %, mientras que los pedidos totales aumentaron un 12 % a 12,3 mil millones de dólares.

Este sólido comienzo de 2025 fue impulsado por los servicios comerciales, declaró el CEO H. Lawrence Culp, Jr., al tiempo que señaló las dinámicas macroeconómicas que requieren que la compañía tome acciones estratégicas, como controlar costos y aprovechar los programas comerciales disponibles.

El beneficio operativo se disparó un 38 % en el 1T25 a 2,1 mil millones de dólares, mientras que el BPA ajustado aumentó un 60 % a 1,49 $. Durante este período, GE también informó 1,5 mil millones de dólares en efectivo de actividades operativas (GAAP) mientras el flujo de caja libre aumentó un 14 % a 1,4 mil millones de dólares. La compañía también informó una cartera de servicios comerciales de más de 140 mil millones de dólares.

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

En su informe anual de este año, GE declaró “descensos en la industria de fabricación aditiva debido a una adopción más lenta de la tecnología”, pero al mismo tiempo, señaló a Colibrium Additive como “un negocio crítico para la tecnología actual y futura en GE Aerospace mientras continuamos enfocándonos en dónde puede crear el mayor valor.”

Últimas noticias y desarrollos de acciones de General Electric (GE)

Conclusión

A medida que la IA continúa avanzando y transformando 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 costo asociados con la afinación de parámetros y la detección de defectos en el PBF y lograr un 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 obtener una lista de las principales acciones de impresión 3D.

Estudios citados:

^{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: Un algoritmo impulsado por la incertidumbre para la generación automatizada de mapas de procesamiento. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}