Este artículo presenta un enfoque novedoso para reducir los costos de fabricación de palas de turbina en motores aeronáuticos fabricadas con material compuesto de matriz cerámica CMC mediante la integración de un entorno de simulación tipo gemelo digital con un agente de aprendizaje por refuerzo. La fabricación tradicional de CMC, que incluye vertido de lechada cerámica, infiltración de fibras y sinterización a alta temperatura, suele presentar variabilidad en la calidad y desperdicio de material. Nuestro marco optimiza dinámicamente parámetros clave del proceso como la viscosidad de la lechada, la presión de infiltración y los perfiles de temperatura de sinterización mediante un gemelo digital que reproduce con precisión la evolución de la microestructura de la pala. Un agente de aprendizaje por refuerzo entrena para identificar las combinaciones de parámetros que alcanzan las propiedades mecánicas deseadas minimizando consumo de material y tiempo de ciclo, logrando una reducción de costos estimada entre 15 y 30 por ciento y mejorando la confiabilidad de las palas.
La propuesta combina tres módulos esenciales en el gemelo digital: un modelo de evolución de la microestructura que integra simulación multifísica y elementos de campo de fase para predecir la formación de porosidad y la distribución de fases durante el vaciado, la infiltración y la sinterización; un módulo de predicción de propiedades mecánicas que relaciona la microestructura simulada con parámetros como resistencia a tracción, tenacidad y comportamiento frente a fluencia mediante modelos de homogenización validados; y un modelo de control de proceso que simula las etapas de fabricación y entrega retroalimentación al agente de control.
Sobre el modelo de microestructura, se consideran la reología de la lechada, fuerzas capilares, gradientes térmicos y transformaciones de fase, y se calibra con datos experimentales procedentes de escaneos por microtomografía computarizada µCT de muestras reales. El uso de µCT permite comparar voxel a voxel la estructura interna simulada con la real y ajustar parámetros del gemelo digital hasta alcanzar fidelidad suficiente para su uso en optimización automática.
Para la optimización empleamos un agente DQN Deep Q Network que actúa sobre un espacio de estados compuesto por variables de proceso como viscosidad de la lechada mu, presión de infiltración P, perfiles temporales de temperatura T(t) y las predicciones de microestructura proporcionadas por el gemelo digital. El espacio de acciones incluye ajustes discretos o continuos dentro de rangos operativos seguros. La función de recompensa pondera la calidad mecánica simulada, la reducción de costos y una penalización por tiempo de ciclo: R = w1 por puntuación de propiedades mecánicas + w2 por reducción de costos - w3 por penalización de tiempo. Los pesos w1, w2 y w3 se calibran mediante optimización bayesiana y técnicas de ajuste experimental para alinear la búsqueda con objetivos industriales concretos.
El agente aprende interactuando con el gemelo digital, actualizando su red Q mediante experiencia acumulada, memoria de repetición y redes objetivo para asegurar convergencia estable. Este esquema permite explorar combinaciones no intuitivas de parámetros que escapan al conocimiento empírico tradicional y descubrir ventanas de operación que reducen desperdicio de material y ciclos térmicos sin sacrificar prestaciones.
La validación integral combinó una base de datos experimental de 100 muestras de palas CMC fabricadas con parámetros variados y escaneadas por µCT para entrenar y calibrar el gemelo digital. Posteriormente se realizaron corridas de fabricación con parámetros propuestos por el agente y se evaluaron las palas resultantes mediante µCT y ensayos mecánicos. Las métricas de validación incluyeron error cuadrático medio RMSE en intensidad de voxel, coeficiente de correlación entre propiedades predichas y medidas y medidas de fidelidad del gemelo digital. En nuestros ensayos el gemelo alcanzó un RMSE bajo y correlaciones de alrededor de 0.85 para resistencia a tracción, mientras que el sistema completo mostró reducciones de desperdicio de material del 22 por ciento y disminución del tiempo de ciclo del 18 por ciento manteniendo o mejorando las propiedades objetivo.
Además de los beneficios directos en costes y calidad, esta investigación demuestra la escalabilidad del enfoque. A corto plazo la implementación puede realizarse en una línea de fabricación de palas CMC con adquisición de datos activa para refinar modelos mediante aprendizaje activo. A medio plazo es viable la integración con sistemas de ejecución de fabricación MES para control en tiempo real y gestión adaptativa de procesos. A largo plazo el desarrollo de una plataforma modular de gemelos digitales permitiría simular diferentes geometrías y procesos, abriendo el camino hacia una fabricación autónoma de componentes CMC.
Q2BSTUDIO participa en esta transición aportando experiencia en desarrollo de software y soluciones a medida orientadas a la industria 4.0. Como empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad y servicios cloud, diseñamos e integramos gemelos digitales, agentes IA y sistemas de control que conectan simulación con planta. Si quiere conocer nuestros servicios de inteligencia artificial para empresas y cómo adaptar agentes IA a sus procesos industriales visite nuestra página de inteligencia artificial soluciones de IA en Q2BSTUDIO y descubra cómo implementamos aprendizaje por refuerzo para optimizar procesos.
Además ofrecemos desarrollo de software a medida y automatización de procesos para llevar los parámetros óptimos del gemelo digital directamente a sistemas de control y CNC. Conectamos la optimización con la ejecución mediante integraciones seguras y escalables en la nube. Para servicios de automatización de procesos y software a medida consulte nuestra oferta en automatización y desarrollo de aplicaciones.
Nuestros servicios incluyen también ciberseguridad y pentesting para proteger la integridad de los modelos y los datos de fabricación, soluciones en la nube para despliegue en AWS y Azure, y herramientas de inteligencia de negocio como Power BI para visualizar KPIs de producción y trazabilidad. Palabras clave y servicios: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
En conclusión, la combinación estrecha entre gemelo digital y aprendizaje por refuerzo ofrece una vía práctica para reducir costos, minimizar desperdicios y mejorar la calidad en la fabricación de palas CMC. Q2BSTUDIO está preparada para acompañar a las empresas en la adopción de estas tecnologías mediante desarrollo de software a medida, integración cloud y servicios de IA que materialicen el potencial de la fabricación inteligente.
