Optimización y predicción de la temperatura máxima en el soldado por fricción-agitación de Al 6061 T6 mediante técnicas estadísticas y de aprendizaje automático

Por qué es importante mantener las soldaduras frías

Desde aviones hasta coches eléctricos, muchas máquinas dependen de piezas de aluminio que deben unirse sin perder resistencia. La soldadura por fricción-agitación es una técnica habitual para lograrlo, porque mezcla las piezas sin fundir completamente el metal. Pero si el proceso se desarrolla a temperaturas demasiado altas, el aluminio puede ablandarse, perder resistencia o incluso fundirse. Este trabajo explora cómo predecir y controlar las temperaturas máximas alcanzadas durante la soldadura de una aleación común, Al 6061 T6, usando simulación por ordenador, estadística avanzada y aprendizaje automático, de modo que los fabricantes puedan obtener juntas resistentes y consistentes evitando daños térmicos.

Cómo funciona esta soldadura en estado sólido

En la soldadura por fricción-agitación, una herramienta giratoria con forma de pasador corto y un amplio hombro se presiona contra la unión entre dos placas y se desplaza a lo largo de la costura. La fricción y la deformación plástica generan calor y ablandan el metal para que se mezcle y forje sin llegar a convertirse en líquido. Para el Al 6061 T6, este “punto óptimo” de temperatura está por debajo del punto de fusión pero lo suficientemente alto como para permitir una buena mezcla. Si la temperatura máxima se acerca o supera aproximadamente cuatro quintas partes de la temperatura de fusión, las partículas endurecedoras de la aleación pueden coarsenizarse o el metal puede comenzar a fundirse, lo que conduce a zonas más blandas y peor comportamiento mecánico. Por tanto, controlar la temperatura máxima es esencial tanto para la seguridad como para la durabilidad.

Probar muchos mandos a la vez

Los investigadores se centraron en siete variables que los soldadores pueden ajustar: material de la herramienta, diámetro del pasador, diámetro del hombro, velocidad de rotación, velocidad de avance, fuerza axial que presiona la herramienta y el coeficiente de fricción entre la herramienta y la placa. En lugar de realizar miles de ensayos, emplearon un diseño Taguchi, un atajo estadístico que selecciona un conjunto cuidadosamente escogido de 32 combinaciones para revelar qué variables son las más importantes. Para cada combinación, construyeron un modelo tridimensional en COMSOL para simular la generación de calor por la herramienta giratoria y cómo ese calor se distribuye por la placa de aluminio y la bancada. Luego compararon un subconjunto de esas simulaciones con experimentos en una fresadora modificada, usando termopares para medir temperaturas en distintos puntos alrededor de la soldadura. Las temperaturas máximas simuladas y medidas coincidieron en torno al 7%, lo que dio confianza en que el modelo capturó el comportamiento térmico real.

Encontrar a los principales responsables del sobrecalentamiento

Con los datos de simulación disponibles, el equipo aplicó herramientas estadísticas para determinar qué parámetros del proceso tenían mayor efecto sobre la temperatura máxima. Usando análisis Taguchi y análisis de la varianza, identificaron líderes claros: la fuerza axial y la velocidad de rotación de la herramienta. Mayor velocidad de rotación y mayor fuerza de prensado generan mucho más calentamiento por fricción y deformación plástica, elevando las temperaturas máximas; en algunos casos simulados, la temperatura en la zona de soldadura superó los 600 °C, por encima del rango de fusión considerado seguro para esta aleación. Los cambios en el tamaño del pasador y del hombro tuvieron un efecto secundario al alterar el área de contacto, mientras que la elección del material de la herramienta y pequeñas variaciones en el coeficiente de fricción tuvieron una influencia comparativamente menor. Estos resultados sugieren que el control cuidadoso de la velocidad y la fuerza es la vía más eficaz para mantener las soldaduras por debajo de temperaturas dañinas.

Dejar que una red neuronal prediga el calor

Para ir más allá de reglas empíricas estáticas, los autores entrenaron una red neuronal artificial sencilla para aprender la relación entre los ajustes de soldadura y la temperatura máxima. Usaron los resultados de las simulaciones como ejemplos, introduciendo las seis entradas más relevantes (todas las variables excepto el material de la herramienta) y entrenando a la red para que devolviera la temperatura máxima prevista. Al dividir los datos en conjuntos de entrenamiento, validación y prueba y emplear un método estándar de retropropagación, la red aprendió a reproducir los resultados de la simulación con muy alta precisión: sus predicciones diferían de la simulación en torno al 1% de media, mejor que los errores del 3–4% obtenidos con la regresión Taguchi y la fórmula basada en ANOVA. Esto demuestra que incluso con un conjunto de datos relativamente pequeño, una red neuronal bien diseñada puede captar interacciones sutiles entre parámetros que modelos más simples pasan por alto.

Qué significa esto para la soldadura en el mundo real

El estudio concluye que combinar simulaciones por elementos finitos, diseño estadístico y redes neuronales ofrece un conjunto de herramientas potente para hacer la soldadura por fricción-agitación más segura y eficiente. Al identificar la fuerza axial y la velocidad de rotación como los principales impulsores del calor, y al proporcionar un predictor rápido de la temperatura máxima, el enfoque puede guiar a los ingenieros para elegir ajustes que eviten el sobrecalentamiento mientras siguen produciendo juntas de calidad. En términos prácticos, esto se traduce en menos defectos, componentes con mayor longevidad y menos prueba y error en las líneas de producción de la industria aeroespacial, automotriz y otros sectores que dependen de estructuras ligeras de aluminio.

Cita: Anis, A., Shakaib, M. & Hanif, M.S. Optimization and prediction of peak temperature in friction stir welding of Al 6061 T6 using statistical and machine learning techniques. Sci Rep 16, 7901 (2026). https://doi.org/10.1038/s41598-025-03217-y

Palabras clave: soldadura por fricción-agitación, aleaciones de aluminio, control térmico, optimización del proceso, modelado con redes neuronales