Mecánico experimental para el descubrimiento de metamateriales de celosía en placas

Por qué importan los materiales más inteligentes

Desde zapatillas de correr hasta aeronaves, los ingenieros buscan constantemente materiales que sean a la vez fuertes y ligeros. Una clase más reciente de materiales “en celosía”, construidos a partir de patrones 3D repetitivos, puede superar a metales o plásticos macizos, pero ajustar su geometría intrincada suele implicar ensayo y error lento. Este artículo presenta un sistema de laboratorio automatizado que se comporta como un ingeniero incansable: diseña, imprime en 3D, prueba y aprende de cientos de pequeñas celosías por sí mismo para descubrir estructuras que soportan cargas elevadas mientras siguen siendo extremadamente ligeras.

Un robot que ejecuta sus propios experimentos

El núcleo del trabajo es un sistema que los autores denominan mecánico experimental, o ExMech. Ocupa un espacio de laboratorio dedicado y conecta nueve estaciones de trabajo: varias impresoras 3D, estaciones de limpieza y secado, máquinas de pesaje y ensayo, y un brazo robótico que traslada muestras entre ellas. Un software escrito en Python coordina todo. En cada ciclo, el sistema diseña automáticamente modelos digitales de muestras de celosía, las imprime en resina fotosensible, las limpia y seca, las pesa para determinar su porosidad y luego las aplasta y somete a esfuerzos cortantes en equipos de ensayo específicos para medir cuánta fuerza pueden soportar antes de fallar.

Un bucle de aprendizaje en lugar de ensayo y error a ciegas

Lo que hace a ExMech más que una línea de producción es la forma en que decide qué probar a continuación. Tras cada lote de mediciones, un modelo de aprendizaje automático llamado regresión por procesos gaussianos se actualiza para predecir cómo las elecciones de diseño afectarán simultáneamente tres objetivos: resistencia a la compresión, resistencia al corte y ligereza. Un procedimiento de “aprendizaje activo” busca entonces entre miles de posibles combinaciones de espesor de placa, tamaño de agujero y diámetro de los perfiles y elige las que tienen más probabilidades de mejorar el equilibrio entre esos objetivos. Este enfoque concentra los experimentos cerca de los mejores compromisos, en lugar de dispersar esfuerzos en diseños pobres.

Encontrar los mejores compromisos

El equipo aplica ExMech a una familia de las llamadas celosías híbridas placa‑tirante, que combinan placas sólidas con varillas esbeltas. En teoría, estos híbridos pueden superar a las celosías tradicionales de solo varillas en resistencia para el mismo peso, pero el espacio de diseño es enorme. En lugar de las más de 55.000 pruebas mecánicas que requeriría una búsqueda de malla fina, ExMech se centra en el mejor “frente de Pareto” de soluciones en solo 150 ensayos: aproximadamente una reducción de 370 veces en la carga de trabajo. A lo largo de este frente, no se puede mejorar ninguno de los tres objetivos sin sacrificar al menos otro. Dentro de este conjunto, algunos diseños aumentan tanto la resistencia a la compresión como al corte en cerca del 15% respecto a los diseños iniciales sin aumentar el peso; otros duplican más que ambas resistencias mientras incrementan el peso en solo alrededor del 13%.

Asomarse a cómo funcionan las celosías

Como el sistema registra cada variable y resultado, los investigadores pueden diseccionar por qué ciertas celosías rinden bien. Emplean una técnica llamada SHAP, muy usada en IA explicable, para medir con qué intensidad cada variable geométrica influye en cada propiedad. El análisis muestra que el espesor de la placa y el diámetro de los perfiles generalmente aumentan la resistencia, mientras que agujeros más grandes reducen la resistencia pero aligeran el material. Sin embargo, las relaciones son fuertemente no lineales: tamaños de agujero similares pueden tener efectos muy distintos según las dimensiones de la placa y los perfiles. Los ensayos mecánicos y las observaciones en vídeo revelan que las celosías de baja densidad tienden a fallar por pandeo suave y colapso gradual, mientras que las más densas fallan de forma más abrupta por fractura frágil. El equipo identifica una “sinergia placa‑tirante” clave: las varillas apuntalan las placas contra la expansión lateral, y las placas ayudan a que más varillas participen en el soporte de carga, de modo que el rendimiento cae bruscamente si cualquiera de los elementos se debilita demasiado.

De muestras de laboratorio a suelas del mundo real

Para mostrar impacto práctico, los autores usan dos de las celosías descubiertas para fabricar plantillas de calzado impresas en 3D con mayor porosidad que las espumas comerciales típicas, lo que las hace muy ligeras. Un diseño de plantilla favorece la resistencia al corte, el otro la resistencia a la compresión. Al ensayarlas bajo cargas combinadas verticales y laterales en un ángulo inclinado, los dos diseños fallan de maneras distintas: uno por pandeo más simétrico y el otro por deslizamiento a lo largo de bandas diagonales, lo que ilustra cómo la superficie de compromisos mapeada puede guiar a los diseñadores a escoger estructuras adaptadas a patrones de carga específicos.

Qué significa esto de cara al futuro

En términos simples, este estudio muestra que un laboratorio conducido por robots y guiado por IA puede descubrir rápidamente nuevos componentes ligeros pero resistentes para productos futuros. Al explorar automáticamente cómo pequeños cambios en la geometría alteran la resistencia y el peso, ExMech revela efectos de refuerzo sutiles en las celosías placa‑tirante y convierte un espacio de diseño abrumador en un mapa navegable. El mismo enfoque autooptimizado podría acelerar el desarrollo de muchos otros “metamateriales”, ayudando a los ingenieros a diseñar estructuras más seguras, ligeras y eficientes, desde calzado hasta componentes aeroespaciales.

Cita: Hu, S., Li, H., Lu, W. et al. Experimental mechanician for plate lattice metamaterial discovery. Nat Commun 17, 3933 (2026). https://doi.org/10.1038/s41467-026-70675-x

Palabras clave: metamateriales mecánicos, estructuras de celosía, laboratorios autónomos, optimización multiobjetivo, plantillas impresas en 3D