• IMDEA Materials y la Universidad Politécnica de Madrid demuestran un novedoso marco de modelo subrogado basado en aprendizaje profundo que permite simulaciones precisas en mallas 3D no estructuradas en milisegundos.
• Los modelos subrogados empleados logran aceleraciones de varios órdenes de magnitud frente a las simulaciones convencionales, abriendo la puerta al control adaptativo de procesos y a una producción de compuestos basada en datos.
Una reciente publicación del Instituto IMDEA Materials y la Universidad Politécnica de Madrid (UPM) presenta un avance significativo en la incorporación de capacidades de simulación en tiempo real en los procesos de fabricación de materiales compuestos.
Al abordar limitaciones clave de los modelos subrogados basados en aprendizaje profundo para la simulación del flujo de fluidos en procesos de fabricación de compuestos, estos resultados ponen de manifiesto el potencial de los enfoques basados en datos para mejorar la eficiencia, la adaptabilidad y la resiliencia en la fabricación avanzada.
El estudio, “A deep surrogate model for filling simulations in liquid composite moulding on unstructured 3D grids”, está cofirmado por el Prof. Carlos González, el Dr. Davide Mocerino y la investigadora predoctoral Sofia Fernández León de IMDEA Materials, junto con los profesores Roberto Valle Fernández y Luis Baumela, de la UPM.
Las simulaciones de Liquid Composite Moulding (LCM por sus siglas en inglés) son fundamentales para optimizar los procesos de fabricación y reducir defectos como la formación de vacíos. Sin embargo, su elevado coste computacional ha limitado tradicionalmente su uso en aplicaciones en tiempo real.
Este trabajo aborda este reto mediante la introducción de un marco de modelado subrogado basado en aprendizaje profundo, capaz de ofrecer predicciones precisas en milisegundos, lo que abre nuevas posibilidades para los gemelos digitales y el control adaptativo de procesos.
“Una innovación clave radica en superar uno de los principales cuellos de botella en este campo mediante el logro de eficiencia computacional, alta precisión y robustez frente a mallas irregulares y no estructuradas, habituales en entornos industriales”, explica Fernández León.
“Estos requisitos rara vez se satisfacen simultáneamente en los enfoques actuales basados en redes neuronales”.
Los investigadores también introducen una arquitectura encoder-decoder multirrama para modelizar geometrías complejas, como rigidizadores en forma de T, descomponiéndolas en regiones planas y garantizando la consistencia entre interfaces.
En paralelo, “la técnica de mapeo de malla propuesta permite, sin embargo, utilizar redes neuronales convolucionales en dominios 3D no estructurados, manteniendo la precisión y ampliando su aplicabilidad a escenarios de fabricación realistas”, añade Fernández León.
Los modelos subrogados resultantes muestran una fuerte concordancia tanto con simulaciones de alta fidelidad como con datos experimentales, al tiempo que logran aceleraciones de entre cuatro y cinco órdenes de magnitud en comparación con los métodos convencionales.
Este nivel de rendimiento permite su despliegue en tiempo real en entornos de fabricación digital, favoreciendo procesos de producción de materiales compuestos más eficientes, adaptativos y resilientes.
“Este estudio pone de relieve el potencial transformador de la combinación de fabricación avanzada e inteligencia artificial, allanando el camino hacia sistemas de producción totalmente integrados y basados en datos”, concluye Fernández León.