Modelos sustitutos impulsados por IA aceleran simulaciones en tiempo real de manufactura de compuestos

Fuente | IMDEA

Una investigación publicada recientemente del Instituto IMDEA Materials (Madrid, España) y la Universidad Técnica de Madrid (UPM) tiene como objetivo avanzar en las capacidades de simulación en tiempo real para procesos de manufactura de compuestos.

El estudio, «Un modelo sustituto profundo para simulaciones de llenado en moldeo de compuestos líquidos en mallas 3D no estructuradas», es coautorado por el Prof. Carlos González, Dr. Davide Mocerino e investigadora predoctoral Sofia Fernández León de IMDEA Materials, y los Profesores Roberto Valle Fernández y Luis Baumela de la UPM.

Contenido destacado

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

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

«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 no estructuradas comúnmente encontradas en entornos industriales», explica Fernández León. «Estos requisitos rara vez se satisfacen simultáneamente por enfoques de redes neuronales existentes».

Los investigadores también introdujeron una arquitectura codificador-decodificador multi-ramificada para modelar geometrías complejas, como refuerzos en T, descomponiéndolas en regiones planares y asegurando consistencia entre interfaces.

En paralelo, «La técnica de mapeo de malla propuesta permite el uso de redes neuronales convolucionales en dominios 3D no estructurados, preservando la precisión mientras extiende la aplicabilidad a escenarios de manufactura realistas», añade Fernández León.

Los modelos sustitutos resultantes demuestran fuerte concordancia con tanto simulaciones de alta fidelidad como datos experimentales, logrando aceleraciones de cuatro a cinco órdenes de magnitud comparados con métodos convencionales. Este nivel de rendimiento apunta a permitir despliegue en tiempo real en entornos de manufactura digital, apoyando procesos de producción de compuestos más eficientes, adaptativos y resilientes.

«Este estudio destaca el potencial transformador de combinar manufactura avanzada con inteligencia artificial, allanando el camino hacia sistemas de producción totalmente integrados y basados en datos», dice Fernández León.