Imagine comprar tres impresoras 3D idénticas. A pesar de ser de la misma marca, el mismo modelo e incluso tener números de serie muy similares, cada máquina puede comportarse de forma ligeramente diferente. Con el tiempo y a gran escala, estas diferencias pueden acumularse y dar lugar a importantes defectos de fabricación.

Para abordar este problema, investigadores del Instituto IMDEA Materiales, en colaboración con el Laboratorio Nacional Lawrence Berkeley (EE. UU.), han desarrollado un algoritmo inteligente capaz de detectar estas ‘personalidades’ ocultas, optimizando la fiabilidad de la fabricación automatizada.

Publicado Advanced Engineering Informatics, el sistema analiza las sutiles diferencias de funcionamiento entre máquinas teóricamente idénticas y selecciona la estrategia de optimización más adecuada.

Así, reduce errores y mejora la calidad del producto final en sistemas de producción en paralelo, como las granjas de impresión 3D.

Un desafío en la producción automatizada a gran escala es que las máquinas, aunque sean del mismo modelo y marca, nunca se comportan de forma exactamente igual.

Estas variaciones o ‘ruido’ en su rendimiento pueden acumularse y provocar defectos graves, mermando la reproducibilidad y fiabilidad, especialmente en sectores de alta precisión como la fabricación aditiva para la arquitectura o la industria aeroespacial.

El nuevo algoritmo aborda este problema de frente.

En lugar de aplicar una única solución para todas las máquinas, el sistema realiza primero un diagnóstico para crear un perfil de rendimiento único para cada una.

Si las máquinas son suficientemente similares, aplica una optimización conjunta para maximizar la eficiencia. Si, por el contrario, detecta diferencias significativas, activa una optimización individualizada para cada máquina, priorizando la precisión.

Para validar su método, el equipo realizó un estudio con tres impresoras 3D teóricamente idénticas (la misma marca, mismo modelo y números de serie muy próximos). Aunque cabría esperar un rendimiento casi idéntico, el algoritmo detectó diferencias apreciables entre ellos e identificó correctamente que cada uno requería su propia estrategia de optimización.

La publicación presenta los resultados de ambos enfoques, aunque los análisis de distribución y los indicadores de divergencia se decantaron claramente por la optimización de un único dispositivo para el caso práctico analizado.

La marcada separación observada en las estimaciones de densidad de los pellets impresos, junto con los elevados valores de divergencia por pares, indica que cada impresora operaba dentro de un régimen de producción distinto.

En consecuencia, el enfoque más adecuado para este caso de estudio fue optimizar cada dispositivo de forma individual, garantizando que se tuvieran en cuenta las características específicas de cada impresora.

Según los investigadores involucrados en el estudio, “los resultados demostraron una convergencia significativamente más rápida y una reducción sustancial de los errores en el peso de las piezas impresas en comparación con un enfoque que trataba todas las máquinas por igual y, por tanto, no corregía adecuadamente los sesgos individuales”.

“Incluso las máquinas producidas en serie pueden tener su propia “personalidad” operativa. Nuestro sistema aprende esas diferencias y las utiliza a nuestro favor, determinando si es más eficiente tratarlas como un equipo o como individuos”.

“Esto no solo mejora la precisión, sino que también ahorra recursos al evitar experimentos fallidos, un paso clave para los laboratorios y fábricas del futuro, totalmente automatizados».

Aunque el estudio se centró en la impresión 3D, su metodología es aplicable a otros campos que dependen de la experimentación de alto rendimiento, como el descubrimiento de nuevos materiales, la síntesis química o la calibración de sensores.

El estudio fue realizado por la Dra. Christina Schenk, Miguel Hernández del Valle, Luis Calero y el Dr. Maciej Haranczyk, del Instituto IMDEA Materiales, junto con el Dr. Marcus Noack, del Laboratorio Nacional Lawrence Berkeley.

Este trabajo ha sido financiado por el proyecto MAD2D-CM sobre Materiales Disruptivos Bidimensionales, financiado por la Comunidad de Madrid, el Plan de Recuperación, Transformación y Resiliencia de España y NextGenerationEU de la Unión Europea. La contribución de MN a este trabajo fue financiada por el Center for Advanced Mathematics for Energy Research Applications (CAMERA), financiado conjuntamente por los programas Advanced Scientific Computing Research (ASCR) y Basic Energy Sciences (BES) de la Office of Science del Departamento de Energía de los Estados Unidos, bajo el contrato n.º DE-AC02-05CH11231. Asimismo, CS reconoce el apoyo financiero del Ministerio de Ciencia e Innovación de España a través de una ayuda Ramón y Cajal (Grant n.º RYC2024).