Los modelos sustitutos impulsados por IA aceleran las simulaciones de fabricación de compuestos en tiempo real

Fuente | IMDEA

Una investigación publicada recientemente por el Instituto IMDEA Materiales (Madrid, España) y la Universidad Politécnica de Madrid (UPM) tiene como objetivo avanzar en las capacidades de simulación en tiempo real para los procesos de fabricación de compuestos.

El estudio, “Un modelo sustituto profundo para simulaciones de llenado en moldeo de compuestos líquidos en rejillas 3D no estructuradas”, es coautor del Prof. Carlos González, el Dr. Davide Mocerino y la investigadora predoctoral Sofia Fernández León de IMDEA Materiales, y los Profs. Roberto Valle Fernández y Luis Baumela.

Contenido destacado

Los investigadores dicen que su investigación aborda las limitaciones clave de los actuales modelos sustitutos de aprendizaje profundo para simular el flujo de fluidos en procesos de fabricación de compuestos, y los resultados resaltan el potencial de los enfoques basados en datos para mejorar la eficiencia, la adaptabilidad y la resiliencia en los procesos de fabricación avanzados.

Según los investigadores, las simulaciones de moldeo de compuestos líquidos (LCM) son esenciales para optimizar los procesos de fabricación y reducir defectos como la formación de huecos. Sin embargo, su alto coste computacional ha limitado tradicionalmente su uso en aplicaciones en tiempo real. Esta investigación aborda ese desafío mediante la introducción de un marco de modelado sustituto basado en aprendizaje profundo capaz de ofrecer predicciones precisas en milisegundos, abriendo nuevas posibilidades para los gemelos digitales y el control adaptativo de procesos.

“Una innovación clave aquí radica en superar uno de los principales cuellos de botella en este campo al lograr eficiencia computacional, alta precisión y robustez ante las mallas irregulares y desestructuradas que se encuentran comúnmente en entornos industriales”, explica Fernández León. "Estos requisitos rara vez se satisfacen simultáneamente con los enfoques de redes neuronales existentes".

Los investigadores también introdujeron una arquitectura de codificador-decodificador de múltiples ramas para modelar geometrías complejas, como largueros en forma de T, dividiéndolas en regiones planas y garantizando la coherencia entre las interfaces.

Paralelamente, “La técnica de mapeo de cuadrículas propuesta permite el uso de redes neuronales convolucionales en dominios 3D no estructurados, preservando la precisión y extendiendo la aplicabilidad a escenarios de fabricación realistas”, añade Fernández León.

Se dice que los modelos sustitutos resultantes demuestran una fuerte concordancia tanto con las simulaciones de alta fidelidad como con los datos experimentales, al tiempo que logran aceleraciones de cuatro a cinco órdenes de magnitud en comparación con los métodos convencionales. Este nivel de rendimiento tiene como objetivo permitir la implementación en tiempo real en entornos de fabricación digital, respaldando procesos de producción compuestos más eficientes, adaptables y resilientes.

"Este estudio destaca el potencial transformador de combinar la fabricación avanzada con la inteligencia artificial, allanando el camino hacia sistemas de producción totalmente integrados y basados en datos", afirma Fernández León.