Cómo la inteligencia artificial puede ayudar a elegir el material correcto en fabricación aditiva

Uno de los mayores retos en fabricación aditiva no es únicamente fabricar una pieza, sino tomar la decisión correcta antes de fabricarla. Elegir el material adecuado, la tecnología de producción o incluso entender las limitaciones de cada proceso requiere analizar múltiples variables técnicas. En muchos casos, esta decisión depende de revisar hojas de datos de materiales, artículos científicos, resultados experimentales y conocimiento experto acumulado durante años.

El proyecto Expertbrain2 aborda precisamente este desafío: transformar información técnica dispersa en un sistema capaz de asistir a los ingenieros en la toma de decisiones dentro del ámbito de la fabricación aditiva.

Dentro de este proyecto se ha desarrollado un entorno de inteligencia híbrida denominado laboratorio HDI (Hybrid Data Intelligence), cuya plataforma tecnológica se implementa sobre Vekai, actuando como motor cognitivo del sistema. Esta plataforma permite integrar múltiples fuentes de información —desde bases de datos de materiales hasta artículos científicos— y convertirlas en conocimiento accesible mediante consultas en lenguaje natural.

Uno de los primeros escenarios donde se ha validado este enfoque es el caso de uso 5.2: selector de material y tecnología, diseñado para asistir en la selección del material y del proceso de fabricación más adecuado para una pieza determinada.

El problema: demasiada información, poca capacidad de explotación

En fabricación aditiva, la decisión sobre qué material utilizar depende de múltiples factores. Entre ellos se encuentran las propiedades mecánicas del material, su comportamiento térmico, las características geométricas de la pieza o las limitaciones propias de cada tecnología de fabricación.

Tradicionalmente, responder a una pregunta tan aparentemente simple como “qué material debería utilizar para esta pieza” implica revisar diferentes fuentes de información: hojas Excel con propiedades de materiales, documentación técnica, resultados experimentales o literatura científica. El conocimiento existe, pero suele encontrarse fragmentado.

El sistema desarrollado en el laboratorio HDI aborda este problema integrando diferentes tipos de información dentro de una misma plataforma de conocimiento.

Según el diseño del sistema, el selector de material y tecnología trabaja sobre información procedente de diversas fuentes, entre ellas:

• propiedades mecánicas de materiales (límite elástico, resistencia, alargamiento)
• propiedades térmicas
• características de las piezas como densidad o tolerancias
• limitaciones de las tecnologías de fabricación aditiva
• aplicaciones industriales habituales de cada material.

La integración de estas fuentes permite convertir información técnica aislada en una base de conocimiento capaz de responder preguntas complejas.

Cómo funciona el motor cognitivo

El funcionamiento del sistema comienza cuando un ingeniero plantea una consulta en lenguaje natural. Por ejemplo:

“¿Qué material es adecuado para una pieza con alta resistencia mecánica y buena estabilidad térmica?”

A partir de esa consulta, el motor cognitivo analiza la intención del usuario e identifica los requisitos técnicos implícitos en la pregunta, como la necesidad de resistencia mecánica y estabilidad térmica.

Posteriormente, el sistema consulta la base de conocimiento integrada, que incluye datos estructurados procedentes de ficheros Excel, documentación técnica y artículos científicos. Tras recuperar la información relevante, el sistema cruza los datos disponibles y genera una recomendación fundamentada.

En este escenario, el sistema puede identificar materiales como el titanio Ti-6Al-4V o determinados aceros de alta resistencia, explicando por qué sus propiedades mecánicas y térmicas los hacen adecuados para ese tipo de aplicación.

Este aspecto es clave: el sistema no se limita a ofrecer una respuesta, sino que proporciona una justificación técnica basada en las fuentes de conocimiento integradas.

Selección de tecnología de fabricación

El mismo enfoque se aplica cuando el usuario desea determinar qué tecnología de fabricación aditiva es más adecuada para producir una pieza determinada.

Por ejemplo, una consulta como:

“¿Qué tecnología de fabricación es más adecuada para piezas con geometrías complejas y alta precisión?”

puede ser analizada por el sistema teniendo en cuenta las capacidades y limitaciones de diferentes procesos de fabricación aditiva.

En este caso, el sistema puede recomendar tecnologías como Powder Bed Fusion – Laser Beam (PBF-LB/M), destacando aspectos como su elevada resolución, precisión dimensional o su capacidad para producir geometrías complejas.

De nuevo, la recomendación se acompaña de una explicación contextualizada que permite comprender las ventajas y limitaciones de la tecnología propuesta.

Un asistente experto para ingeniería

El valor real de este caso de uso no está únicamente en automatizar la búsqueda de información, sino en transformar el conocimiento técnico en un sistema capaz de asistir activamente en la toma de decisiones.

El selector de material y tecnología demuestra cómo una arquitectura basada en modelos de lenguaje, recuperación de información y orquestación de herramientas puede actuar como un asistente experto para ingenieros, capaz de:

• acceder simultáneamente a múltiples fuentes de conocimiento
• interpretar consultas técnicas complejas
• cruzar información de diferentes dominios
• generar recomendaciones justificadas.

Este enfoque permite reducir significativamente el tiempo necesario para seleccionar materiales y tecnologías, al mismo tiempo que facilita el acceso a conocimiento técnico consolidado.

En última instancia, lo que demuestra este caso de uso es que la inteligencia artificial aplicada a la industria no consiste únicamente en analizar datos, sino en convertir información técnica en conocimiento accionable.

Y en entornos industriales cada vez más complejos, esa capacidad puede convertirse en una ventaja decisiva.