Optimización multi-respuesta y predicción basada en aprendizaje automático del conformado incremental en caliente con ranura recta de la aleación de magnesio AZ31

Formar metales ligeros con más facilidad

Desde automóviles y aviones hasta implantes médicos, los fabricantes están interesados en emplear metales más ligeros que permitan ahorrar combustible y mejorar el rendimiento. Las aleaciones de magnesio son especialmente atractivas por ser a la vez ligeras y resistentes, pero resultan difíciles de conformar a temperatura ambiente y pueden agrietarse con facilidad. Este estudio explora una forma más inteligente de fabricar piezas a partir de la aleación de magnesio común AZ31, calentándola suavemente y empleando métodos basados en datos —incluido el aprendizaje automático— para encontrar parámetros que sean rápidos, eficientes energéticamente y menos propensos a dañar el material.

Cómo una herramienta móvil talla suavemente una chapa metálica

En lugar de prensar una chapa en un troquel sólido en un solo golpe, el conformado incremental de chapas utiliza una herramienta redondeada que traza un recorrido sobre la chapa, empujándola un poco más con cada pasada. En este trabajo, el equipo se centró en una ranura recta: un canal simple formado en chapas AZ31 de 1 mm de espesor. La chapa se sujeta sobre una cámara de calentamiento eléctrica a medida para poder calentarla a 200–250 °C, y una máquina de control numérico (CNC) mueve la herramienta paso a paso mientras un sensor de fuerza mide la presión necesaria y cuánto tiempo dura el proceso hasta que la chapa finalmente se fractura.

Convertir muchas pruebas en una única mejor receta

Dado que cuatro ajustes distintos —temperatura, profundidad de paso por pasada, velocidad del husillo y velocidad de avance— pueden variarse, los investigadores utilizaron un plan de ensayos estructurado llamado diseño de Taguchi para ejecutar 27 experimentos cuidadosamente seleccionados en lugar de probar todas las combinaciones posibles. Luego aplicaron un método de clasificación conocido como TOPSIS que combina dos objetivos a la vez: mantener bajas las fuerzas de conformado (para reducir el desgaste y el consumo energético) y mantener cortos los tiempos de conformado (para mejorar la productividad). Este método asigna a cada prueba una puntuación única, llamada coeficiente de cercanía, que indica qué tan próxima está del mejor resultado imaginable: baja fuerza y bajo tiempo a la vez.

El calor y los pequeños pasos hacen el trabajo pesado

El análisis mostró que dos parámetros importan más: la temperatura de la chapa y la profundidad de cada paso vertical de la herramienta. Calentar la chapa de AZ31 hasta alrededor de 250 °C hace que su estructura cristalina interna sea más dúctil, de modo que puede estirarse con mayor facilidad y requiere menos fuerza para conformarse. Al mismo tiempo, usar una menor profundidad por pasada distribuye la deformación de forma más suave, evitando tensiones locales agudas que ralentizan el proceso y aumentan la fuerza. La velocidad de giro de la herramienta y la velocidad de avance tuvieron solo una influencia menor dentro de los rangos probados. Al combinar las clasificaciones estadísticas, el equipo predijo un conjunto de condiciones incluso mejor que las de cualquier experimento individual y luego confirmó esa predicción en una prueba posterior, que superó ligeramente a todos los ensayos anteriores.

Enseñar a un ordenador a predecir el proceso

Para ir más allá del ensayo y error, los investigadores entrenaron un modelo de aprendizaje automático llamado Random Forest para predecir el tiempo de conformado, la fuerza de conformado y la puntuación de rendimiento TOPSIS a partir de los cuatro parámetros del proceso. Incluso con solo 27 puntos de datos experimentales, el modelo aprendió los patrones lo suficiente como para pronosticar la fuerza y el tiempo con alta precisión. También destacó de forma independiente la temperatura y la profundidad por pasada como las palancas dominantes, reforzando los hallazgos estadísticos. A escala microscópica, imágenes de microscopía electrónica de las paredes fracturadas de la ranura mostraron signos clásicos de fallo dúctil —hoyos profundos y crestas de desgarro—, lo que indica que, en condiciones de calentamiento, el metal se deforma extensamente antes de fracturarse finalmente.

Qué significa esto para la fabricación real

En términos prácticos, este trabajo muestra cómo los fabricantes pueden conformar un metal ligero y difícil combinando calentamiento controlado con el ajuste cuidadoso de solo unos pocos parámetros clave. El enfoque híbrido —mezclar ensayos planificados, clasificación multicriterio y aprendizaje automático— proporciona una receta práctica para elegir temperaturas y tamaños de paso que mantengan las fuerzas bajas y los tiempos de producción razonables, sin necesidad de probar cada posibilidad en el taller. La misma estrategia podría aplicarse a otras aleaciones y geometrías, ayudando a las fábricas a diseñar piezas más ligeras de forma más rápida, segura y eficiente.

Cita: Khot, A.A., Magdum, R.A., Magdum, A.R. et al. Multi-response optimization and machine learning-based prediction of straight-groove warm incremental sheet forming of AZ31 magnesium alloy. Sci Rep 16, 6432 (2026). https://doi.org/10.1038/s41598-026-37761-y

Palabras clave: conformado incremental de chapas, aleación de magnesio AZ31, conformado en caliente, optimización de procesos, aprendizaje automático en la fabricación