Desarrollo de técnicas de Inteligencia Artificial (IA) para su implementación en los procesos de aporte por deposición de energía focalizada (DED) para fabricación aditiva y soldadura
El ámbito de la fabricación de productos metálicos se ha consolidado como estratégico dentro de la industria europea, en un proceso de transformación constante orientado a mejorar la competitividad, la fiabilidad y la sostenibilidad de los procesos y productos. En este contexto, la presente Tesis Do...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2026 |
| País: | España |
| Institución: | Universidad San Jorge (USJ) |
| Repositorio: | Academica-e. Repositorio Institucional de la Universidad Pública de Navarra |
| OAI Identifier: | oai:dnet:academicae__::5802fa5301e753ced88ec8b102a5b5e8 |
| Acceso en línea: | https://hdl.handle.net/2454/56885 |
| Access Level: | acceso abierto |
| Palabra clave: | Wire Arc Additive Manufacturing (WAAM) Fabricación Aditiva Metálica Inteligencia Artificial Sensores virtuales Redes neuronales Control de calidad en línea Metal Additive Manufacturing Artificial Intelligence Virtual sensors Neural networks In-line quality control |
| Sumario: | El ámbito de la fabricación de productos metálicos se ha consolidado como estratégico dentro de la industria europea, en un proceso de transformación constante orientado a mejorar la competitividad, la fiabilidad y la sostenibilidad de los procesos y productos. En este contexto, la presente Tesis Doctoral busca implementar novedosos sistemas de Inteligencia Artificial (IA) que posibilite la optimización de los procesos de Fabricación Avanzada (FA). El objetivo principal de esta investigación es ampliar el conocimiento, sobre todo en la predicción de la geometría de las piezas, la monitorización del proceso y en el control de en tiempo real del proceso de producción de fabricación aditiva. De esta forma se conseguirá mejorar las actuales limitaciones existentes con respecto a la precisión dimensional, evitar la aparición de defectos y ofreciendo nuevos sistemas de monitorización industriales fiables y asequibles en el mercado. La investigación se estructura como un compendio de tres publicaciones científicas, estando cada una de ellas enfocadas a objetivos específicos concretos, pero contribuyendo todas ellas a la consecución del objetivo común de la Tesis. En la fase inicial, se desarrolló un modelo que alcanzó predicciones de alta fiabilidad en la geometría de cordones de Invar fabricados en la Addilan V0.1, constituyendo el primer paso hacia la digitalización del WAAM. En la segunda fase, se analizó y estudió la relevancia e influencia de los parámetros de procesado y del espesor del sustrato sobre la geometría del cordón y la zona afectada por el calor (ZAC), mediante la aplicación de una red neuronal simétrica. Esta red se diseñó para mejorar la predicción frente a variaciones en las condiciones de deposición, correlacionando las variables de entrada con las dimensiones del cordón y fenómenos térmicos asociados a la integridad estructural del material. Los resultados demuestran que esta arquitectura no solo predice de manera precisa las dimensiones del cordón (altura, anchura, penetración), sino que también permite correlacionar variables de entrada con fenómenos térmicos críticos para la integridad estructural de las piezas. En la fase final, se desarrolló un sistema de control de calidad en línea, no intrusivo y de bajo coste, que se basa en la transformación de señales eléctricas en representaciones espaciales. Las señales eléctricas identificadas durante el proceso se transformaron en mapas de calor y en Imágenes de Transición de Markov (MTI), que se procesaron mediante una red convolucional ResNet-18 previamente preentrenada. Este método permitió identificar defectos en tiempo real con gran precisión. El sistema, validado en cordones de Invar, alcanzó un 94 % de precisión en la clasificación de capas defectuosas, con tiempos de inferencia inferiores a 20 ms, plenamente compatibles con la fabricación capa a capa. La integración de los tres trabajos ofrece una visión global del proceso de digitalización de la tecnología WAAM mediante Inteligencia Artificial, basada en un ciclo continuo y natural de predicción → modelización → control. En la primera etapa, el sensor virtual permite predecir la geometría del cordón. Posteriormente, la red neuronal simétrica contribuye en la modelización al relacionar los parámetros de deposición con los valores térmicos y el comportamiento del material. Y por último, la red convolucional permite controlar la calidad, lo que cierra el círculo al detectar y clasificar defectos en tiempo real. La validación experimental de las investigaciones se ha realizado en la máquina Addilan V0.1 con los materiales más relevantes como el Invar y el acero inoxidable 316L, contribuyendo en el avance de la fabricación aditiva. Por todo ello, los resultados obtenidos en la presente tesis hacen que se pueda seguir investigando y avanzando hacia sistemas de monitorización industrializables, precisos y de económicos. Siempre garantizando la calidad en tiempo real, evitando la realización de retrabajos y mejorando la eficiencia de los procesos WAAM. De esta forma, la Tesis contribuye al avance teórico y práctico de dicha tecnología, reforzando su importancia dentro de la Industria 4.0 y su papel en la transición hacia sistemas de fabricación inteligentes. |
|---|