Modelado sustituto asistido por RBF y aprendizaje automático para la predicción de propiedades mecánicas en manufactura aditiva por fricción: Aplicación a las aleaciones de aluminio disímiles AA6061/AA7075.

Por qué esto importa para las piezas metálicas del futuro

Los coches y aviones modernos necesitan piezas metálicas que sean resistentes, ligeras y rápidas de producir. Una técnica prometedora llamada manufactura aditiva por fricción (FSAM) puede apilar capas de aluminio sin fundirlas, evitando muchos defectos de la impresión 3D convencional por fusión. Pero realizar un gran número de experimentos de prueba y error para ajustar los parámetros del proceso es caro y lento. Este estudio muestra cómo un pequeño conjunto de ensayos reales, combinado con interpolación matemática y aprendizaje automático, puede ayudar a los ingenieros a explorar qué ajustes de FSAM probablemente darán mejor resistencia y dureza en piezas de aluminio mixtas, al tiempo que deja claro qué es predicción y qué aún debe demostrarse en el laboratorio.

Construir piezas agitando, no fundiendo

FSAM es un proceso en estado sólido: una herramienta giratoria se apoya sobre placas metálicas apiladas y se desplaza a lo largo de ellas, generando calor por fricción que ablanda —pero no funde— el material. A medida que la herramienta avanza, remueve y cohesiona material nuevo en la estructura, capa a capa. Debido a que el metal nunca se funde completamente, FSAM evita porosidad y fisuras que pueden afectar a la impresión por fusión y puede producir granos finos y uniformes similares a los de los metales forjados. Los autores se centran en capas alternadas de dos aleaciones de aluminio muy utilizadas, AA6061 y AA7075, dispuestas en dos órdenes de apilamiento (6061-sobre-7075 y 7075-sobre-6061), para estudiar cómo los parámetros del proceso afectan la resistencia a la tracción y la dureza Vickers.

Hacer más con solo nueve experimentos

Un reto clave es la escasez de datos: los experimentos FSAM a escala completa son costosos, consumen tiempo y están limitados por la disponibilidad de máquinas y por restricciones de seguridad. Aquí se realizaron solo nueve experimentos cuidadosamente seleccionados (un diseño Taguchi L9), variando tres perillas: velocidad de rotación de la herramienta, velocidad de avance y ángulo de inclinación. Para rellenar los huecos entre estos nueve puntos, el equipo empleó una técnica matemática llamada interpolación por funciones de base radial (RBF). RBF toma los datos medidos y construye una superficie suave en el espacio de los tres parámetros. A partir de esta superficie sustituta generaron 882 puntos de datos sintéticos, creando efectivamente un “mapa” virtual denso de cómo podrían variar la resistencia y la dureza dentro de la ventana de velocidades y ángulos ensayada.

Enseñar a los modelos a aprender el sustituto, no el mundo

Con este conjunto enriquecido de 891 puntos (9 reales + 882 sintéticos), los autores entrenaron tres modelos de regresión distintos: Regresión por Procesos Gaussianos (GPR), Regresión con Máquinas de Vectores de Soporte (SVR) y Regresión Ridge Bayesiana. A estos modelos se les pidió predecir la resistencia a la tracción y la dureza para ambas secuencias de apilamiento, dadas las tres variables del proceso. GPR destacó, reproduciendo los valores basados en RBF con errores a menudo por debajo del 1% y altos coeficientes R² (típicamente por encima de 0,85 en el conjunto sintético). SVR mostró una subestimación modesta y mayormente sistemática, y la Ridge Bayesiana —un método lineal— tuvo dificultades con el comportamiento fuertemente no lineal, especialmente en la dureza. Crucialmente, los autores subrayan que este rendimiento casi perfecto significa que los modelos han aprendido muy bien el sustituto RBF; aún no demuestra que capturen toda la variabilidad compleja de los experimentos FSAM reales.

¿Qué perillas importan más en estas condiciones?

Para hacer los modelos interpretables, el estudio utiliza SHAP (SHapley Additive exPlanations), una herramienta que asigna una puntuación de importancia a cada parámetro de entrada para cada predicción. Dentro del espacio de diseño sintético, la velocidad de rotación de la herramienta emerge como el factor dominante para la resistencia a la tracción en ambos órdenes de apilamiento, seguida por la velocidad de avance y con el ángulo de inclinación generalmente en un distante tercer lugar. Para la dureza, la imagen es más equilibrada: la importancia relativa de rotación y avance se intercambia según si 6061 está encima de 7075 o viceversa. El análisis también destaca que la secuencia de apilamiento en sí misma importa: la configuración 7075-sobre-6061 tiende a alcanzar mayor resistencia y dureza bajo condiciones de proceso similares, en consonancia con la mayor resistencia de base de AA7075.

Qué puede y qué no puede afirmar este marco

Para comprobar el realismo, los autores realizan pruebas leave-one-out sobre los nueve experimentos originales. Los errores allí son de varios porcentajes —muy superiores a los de los puntos sintéticos—, mostrando que las medidas reales son más ruidosas y que el sustituto no puede aún tratarse como la verdad absoluta. Los autores son explícitos sobre esta limitación: su marco es una manera de explorar tendencias e identificar regiones prometedoras del espacio de parámetros cuando solo hay disponibles unos pocos experimentos. Cualquier ajuste “óptimo” escogido a partir de los mapas sintéticos es, en esta fase, una hipótesis que todavía requiere confirmación experimental independiente. Aun así, el enfoque ofrece un plan reutilizable para otros problemas de fabricación con pocos datos, combinando experimentos escasos, interpolación suave, aprendizaje automático probabilístico y análisis explicable para guiar ensayos de seguimiento más inteligentes en lugar de pruebas y errores a ciegas.

Cita: Venkatachalam, K., Selvaraj, S.K., Mannayee, G. et al. RBF-assisted surrogate modeling and machine learning for mechanical property prediction in friction stir additive manufacturing: Application to dissimilar AA6061/AA7075 aluminum alloys.. Sci Rep 16, 14168 (2026). https://doi.org/10.1038/s41598-026-42608-7

Palabras clave: manufactura aditiva por fricción, aleaciones de aluminio, modelado sustituto, regresión por procesos Gaussianos, datos sintéticos