Modelado híbrido inteligente RSM–ANN y optimización del torneado de precisión del acero CK45 para dispositivos de calibración

Metal más afilado para mediciones más fiables

Siempre que se comprueba la precisión de un motor a reacción, un escáner médico o un robot de fábrica, en el interior del montaje de prueba hay ejes metálicos que deben ser casi perfectamente redondos y lisos. Este estudio analiza cómo mecanizar uno de esos materiales comunes, el acero CK45, para que estos ejes de calibración duren más y proporcionen mediciones más fiables. Los investigadores combinan estadística avanzada con inteligencia artificial para afinar el proceso de corte, extrayendo el mejor rendimiento tanto del acero como de las herramientas de corte.

Por qué es tan difícil dar forma a este acero

El CK45 es un acero de carbono medio apreciado por su resistencia y facilidad de uso en muchas máquinas, pero se vuelve complicado cuando se exige extrema precisión. Cortarlo con herramientas convencionales puede provocar un desgaste rápido de la herramienta, superficies rugosas y pequeños errores de forma en el eje acabado. Para dispositivos de calibración, incluso defectos a escala micrométrica pueden ser relevantes. El equipo se centra en cuatro ajustes que puede modificar un mecanicista: la velocidad de giro de la pieza, la velocidad de avance de la herramienta, la profundidad de corte y el radio de la punta de la herramienta. En conjunto, controlan la rapidez con que se extrae el material, cuán lisa o rugosa queda la superficie, la redondez del eje y cuánto se desgasta la herramienta.

Mezclando estadística e inteligencia artificial

Para dominar este problema complejo, los investigadores utilizan una estrategia híbrida de “cerebro y números”. Primero aplican un enfoque estadístico llamado metodología de superficie de respuesta, que diseña un conjunto compacto de experimentos y ajusta superficies matemáticas suaves que relacionan los cuatro parámetros del proceso con resultados como la tasa de eliminación de material, la rugosidad superficial, el desgaste de la herramienta, el error de redondez y la dureza. Además, entrenan redes neuronales artificiales—modelos computacionales inspirados en el aprendizaje del cerebro—para captar comportamientos más enmarañados y no lineales que las ecuaciones simples pueden pasar por alto. Los ejes de acero se mecanizan en un torno controlado por ordenador usando plaquitas de nitruro cúbico de boro, y cada ensayo se mide con microscopios y calibres de precisión para alimentar datos exactos a ambos tipos de modelos.

Encontrar el punto óptimo entre velocidad, calidad y vida útil de la herramienta

Con estos modelos, el equipo busca condiciones de corte que equilibren varios objetivos a la vez: extraer metal de forma eficiente, mantener la superficie lisa y redonda, endurecer ligeramente la capa exterior del acero y minimizar el desgaste de la herramienta. Descubren que la velocidad del husillo es la palanca dominante: aumentarla inicialmente mejora la eliminación de material y el acabado superficial, pero llevarla demasiado alto sobrecalienta la herramienta y la pieza, incrementando el desgaste y la rugosidad. La velocidad de avance y la profundidad de corte tienen efectos igualmente matizados: valores moderados ayudan, mientras que los extremos provocan vibraciones, flujo de viruta inestable y errores de forma. Al combinar todas las respuestas en una única puntuación de “deseabilidad”, identifican un ajuste óptimo: unos 3000 revoluciones por minuto, un avance medio y una profundidad de corte moderada con una punta de herramienta ligeramente redondeada.

Qué ocurre dentro del metal y de la herramienta

El estudio no se queda en los números. En condiciones de corte deficientes, las imágenes de microscopía electrónica muestran la superficie del acero picada con patrones dendríticos irregulares y toscos—evidencia congelada de calentamiento y deformación no uniformes. Las puntas de las herramientas acumulan virutas adheridas y surcos profundos, señal de que se están desgastando rápidamente. En las condiciones optimizadas, por el contrario, la microestructura superficial del acero se vuelve mucho más uniforme, con características dendríticas finas y espaciadas de forma regular y sin grietas ni cráteres. Las plaquitas de corte se mantienen afiladas, mostrando solo marcas de desgaste pequeñas y suaves. Los modelos de redes neuronales predicen estas mejoras con errores típicamente inferiores al 6%, y los modelos estadísticos confirman que las tendencias son robustas y no aleatorias.

Ejes mejores, mediciones mejores

En términos sencillos, los autores demuestran que una mezcla cuidadosamente afinada de estadística tradicional y aprendizaje automático puede decirle al mecanicista exactamente cómo cortar el acero CK45 para que los ejes de calibración sean más lisos, más redondos y más duraderos, mientras que las propias herramientas de corte duren más. Vinculando el rendimiento exterior (qué tan rápido se extrae el material y lo lisa que queda la superficie) con la estructura interna (cómo se disponen los granos del acero y cómo se erosiona la herramienta), el trabajo ofrece una receta para fabricar piezas de alta precisión que favorecen mediciones más fiables en la industria y la investigación.

Cita: Farouk, W.M., Ahmed, A.G., Gamil, M. et al. Hybrid intelligent RSM–ANN modeling and optimization of precision turning of CK45 steel for calibration devices. Sci Rep 16, 11358 (2026). https://doi.org/10.1038/s41598-026-43388-w

Palabras clave: torneado de precisión, acero CK45, desgaste de la herramienta, rugosidad superficial, optimización con redes neuronales