Resumen: Esta investigación presenta una versión optimizada y sostenible del pulido electrolítico por plasma PEP para la aleación de aluminio 2024 orientada a mitigar la corrosión y reducir el impacto ambiental. Se propone un marco multiobjetivo que combina optimización bayesiana, modelado por elementos finitos y aprendizaje estadístico para ajustar parámetros clave del proceso PEP como tensión, composición de electrolito, duración del pulso y frecuencia. La validación experimental mediante Espectroscopía de Impedancia Electroquímica EIS, Microscopía de Fuerza Atómica AFM y ensayos de niebla salina ASTM B117 muestra una mejora de 30 por ciento en resistencia a la corrosión frente a condiciones PEP base y una reducción del 60 por ciento en generación de residuos peligrosos.
Introducción: La aleación de aluminio 2024 es ampliamente utilizada en estructuras aeronáuticas por su relación resistencia peso, pero su sensibilidad a la corrosión galvanizada en ambientes marinos exige tratamientos post proceso eficaces y más sostenibles que los tradicionales a base de ácido crómico. El PEP aprovecha descargas plasmáticas localizadas generadas por campos eléctricos pulsados para eliminar selectivamente material de superficie, suavizar rugosidades y favorecer la formación de una capa pasiva protectora. Optimizar el proceso atendiendo simultáneamente a desempeño y sostenibilidad resulta complejo y costoso si se realiza mediante ensayo y error, por lo que se propone un flujo automatizado y basado en datos.
Revisión y planteamiento del problema: La literatura señala el potencial del PEP para modificar superficies de aluminio, pero muchas investigaciones priorizan objetivos únicos como rugosidad sin integrar la protección anticorrosiva ni el análisis del impacto ambiental. El reto es establecer un procedimiento sistemático para encontrar parámetros que equilibren rugosidad mínima, máxima resistencia a la corrosión y mínimo uso de químicos peligrosos. Este trabajo cierra esa brecha proponiendo un esquema integrado de simulación, modelado y optimización que reduce la necesidad de pruebas experimentales extensas.
Metodología: El marco propuesto consta de cuatro etapas principales: 1 Datos y entrenamiento de modelos, 2 Simulación por elementos finitos, 3 Optimización bayesiana multiobjetivo y 4 Validación experimental. El diseño experimental se generó mediante muestreo de hiperplano latino LHS en un espacio de diseño con parámetros: tensión 200 400 V, relación molar Na2CO3/KCl, duración de pulso 50 300 µs y frecuencia 100 500 Hz. Se realizaron 200 lotes experimentales para alimentar la etapa de entrenamiento.
Modelado y simulación: Se empleó regresión por procesos gaussianos GPR como modelo sustituto que aproxima la relación entre parámetros PEP y métricas de rendimiento como resistencia a la corrosión y rugosidad superficial. Paralelamente se desarrolló un modelo 3D por elementos finitos en COMSOL que incorpora campo eléctrico, transferencia de masa y cinética de reacciones para reproducir la evolución superficial y la formación de la capa pasiva. El GPR actúa dentro del flujo de simulación como superficie de respuesta rápida, acelerando la búsqueda de soluciones óptimas y permitiendo predicciones fiables sobre composición y espesor de la película pasiva.
Optimización multiobjetivo: La búsqueda de parámetros óptimos se abordó mediante optimización bayesiana con prior de proceso gaussiano y objetivos que minimizan rugosidad, maximizan resistencia a la corrosión y minimizan generación de residuos peligrosos. El problema se formuló como multiobjetivo y se usó NSGA II para identificar el frente de Pareto que representa trade offs entre métricas contrapuestas, proporcionando un conjunto de soluciones según preferencias analíticas.
Validación experimental: Las soluciones propuestas por la optimización fueron verificadas en laboratorio aplicando PEP a nuevas muestras de aleación 2024. Se midió la rugosidad por AFM y la protección anticorrosiva por EIS; además se realizó ensayo de niebla salina ASTM B117 para evaluar protección a largo plazo. Los resultados confirmaron una mejora de 30 por ciento en resistencia medida por EIS, protección sostenida superior a 200 horas en niebla salina y una reducción del 60 por ciento en residuos peligrosos al optimizar la composición del electrolito. Las simulaciones FEA mostraron alta correlación con experiments con R2 aproximado 0.94.
Formulación matemática: Sea x = [V, rel Na2CO3/KCl, DuraciónPulso, Frecuencia] en R4 y y = [ResistenciaCorrosión, Rugosidad, GeneraciónResiduos] en R3. El sustituto GPR predice y estimado. La función objetivo f x se define como suma ponderada de métricas normalizadas: f x = w1*Norm(Rugosidad) + w2*Norm(1/ResistenciaCorrosión) + w3*Norm(GeneraciónResiduos). La optimización bayesiana busca minimizar f x explorando el espacio de diseño con ayuda del modelo sustituto.
Resultados y discusión: El flujo integrado permitió reducir aproximadamente 80 por ciento el número de experimentos necesarios respecto a métodos tradicionales, manteniendo o mejorando la fidelidad de resultados. La combinación de GPR, optimización bayesiana y FEA demostró ser eficaz para encontrar parámetros PEP que equilibran rendimiento y sostenibilidad. El impacto práctico incluye mayor vida útil de componentes aeronáuticos, menores costes de mantenimiento y reducción significativa del uso de químicos peligrosos.
Conclusiones y trabajo futuro: Integrar optimización bayesiana con simulación por elementos finitos y modelos estadísticos genera una vía robusta para la optimización verde de procesos PEP en aleaciones aeronáuticas. Futuras líneas incluyen validar el marco en otras aleaciones, incorporar control dinámico de la composición del electrolito y desarrollar control en tiempo real con retroalimentación mediante sensores de proceso. También se recomienda realizar un análisis de ciclo de vida y un estudio económico detallado para cuantificar beneficios industriales.
Aplicación industrial y colaboración con Q2BSTUDIO: En Q2BSTUDIO combinamos experiencia en desarrollo de software a medida, inteligencia artificial aplicada a procesos industriales y ciberseguridad para llevar este tipo de soluciones al sector aeronáutico y manufacturero. Podemos implementar sistemas de optimización automatizada que integren modelos estadísticos, simulación y control en tiempo real, así como paneles de monitorización y analítica avanzada con ia para empresas y agentes IA. Para proyectos de digitalización y creación de herramientas específicas desarrollamos aplicaciones a medida y software a medida adaptadas a los requerimientos de planta, con integración cloud y despliegue escalable.
Servicios complementarios: Q2BSTUDIO ofrece además servicios cloud aws y azure para ejecución de simulaciones y entrenamiento de modelos en entornos escalables, servicios de inteligencia de negocio y paneles Power BI para visualización de resultados operativos y KPIs, y soluciones de ciberseguridad y pentesting para proteger datos de proceso y control industrial. Si desea transformar los resultados de investigación en aplicaciones productivas, visite nuestras soluciones de desarrollo y consultoría en desarrollo de aplicaciones y software multiplataforma.
Palabras clave: pulido electrolítico por plasma, PEP, aleación de aluminio 2024, optimización bayesiana, GPR, elementos finitos, NSGA II, EIS, AFM, niebla salina ASTM B117, aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
Apéndice y referencias: Se incluye en el apéndice la matriz DOE, estadísticas de entrenamiento del GPR, parámetros del modelo FEA y espectros EIS y mapas AFM representativos. Referencias científicas relevantes y datos experimentales están disponibles bajo solicitud para auditoría y replicación experimental.
