Predicción del comportamiento por desgaste de compósitos AZ31/TiC producidos mediante procesamiento por fricción asistido por vibración ultrasónica utilizando modelos de aprendizaje automático

Por qué importan los metales ligeros más resistentes

Desde coches hasta portátiles, los fabricantes buscan sustituir piezas de acero pesadas por metales más ligeros que ahorren combustible y energía. El magnesio es uno de los metales estructurales más ligeros en uso hoy, pero puede desgastarse demasiado rápido cuando las piezas se deslizan entre sí. Este estudio explora una nueva forma de endurecer una aleación de magnesio común y utiliza herramientas modernas de datos para predecir su durabilidad, ofreciendo perspectivas que podrían ayudar a los diseñadores a construir máquinas más ligeras sin sacrificar la fiabilidad.

Formulando una receta metálica más fuerte

Los investigadores se centraron en una aleación llamada AZ31, un material de magnesio ampliamente utilizado, y la mezclaron con partículas cerámicas muy duras de carburo de titanio. Estas diminutas partículas actúan como guijarros en el hormigón, ayudando al metal blando a soportar más carga sin desintegrarse. El equipo añadió una cantidad relativamente alta, un 15 por ciento en volumen, y luego comparó dos formas de incorporar estas partículas en la superficie de la aleación usando una herramienta rotatoria: un método estándar y una variante que añade vibración de alta frecuencia durante el procesado.

Moldeando el metal con sonido

En el método asistido por vibración, ondas ultrasónicas se propagan en el metal mientras la herramienta rotatoria remueve. Este sacudido adicional ayuda a que la zona similar a fundida fluya de manera más uniforme, rompiendo aglomerados y cerrando huecos. Imágenes de microscopía mostraron que con vibración, las partículas de carburo de titanio se distribuyeron mucho más uniformemente y los poros se redujeron notablemente. Los granos del metal en sí se volvieron mucho más finos, como convertir azúcar gruesa en azúcar glas. Esta estructura más refinada y homogénea es clave para hacer la superficie más dura y resistente al daño.

Poniendo la nueva superficie a prueba

Para ver cómo se comportarían estas superficies tratadas en servicio real, el equipo realizó ensayos de desgaste por deslizamiento en seco, presionando pasadores de la aleación o del compósito contra un disco de acero giratorio a diferentes cargas y velocidades. Monitorizaron cómo cambiaba la fuerza de fricción y pesaron las muestras antes y después para medir la cantidad de material perdido. La aleación de magnesio simple presentó la mayor fricción y se desgastó más rápido, especialmente a cargas elevadas. Añadir partículas de carburo de titanio mejoró el comportamiento, pero las muestras tratadas con vibración fueron las que mejor funcionaron, reduciendo el desgaste en aproximadamente una cuarta parte a cargas moderadas y hasta la mitad en las condiciones más severas.

Observando cómo falla la superficie

Las vistas microscópicas de las pistas desgastadas revelaron cómo evolucionaba el daño. A bajas cargas, la aleación base mostró surcos y detritos oxidados, una mezcla de raspado leve y corrosión superficial. Al aumentar la carga, la superficie empezó a rasgarse y deformarse intensamente. En los compósitos, especialmente los fabricados con vibración, los surcos fueron menos profundos y más uniformes. Las partículas duras permanecieron ancladas en el metal, ayudando a soportar la carga y actuando como pequeños rodillos microscópicos que redujeron el contacto metálico directo. Esta combinación de mayor dureza, granos finos y partículas estables desplazó el desgaste hacia una abrasión más suave en lugar de un desgarro severo.

Dejando que las máquinas aprendan de los datos

Más allá de las pruebas de laboratorio, los autores entrenaron varios modelos de aprendizaje automático para predecir la tasa de desgaste específica a partir de entradas sencillas: qué material se usó, con qué carga se presionó y a qué velocidad se deslizó. Entre los métodos estándar probados, un modelo de Gradient Boosting ajustó los resultados medidos con muy alta precisión, mientras que los modelos lineales más simples quedaron rezagados. El análisis también mostró que la elección del material tuvo con mucho el mayor impacto en el desgaste, seguida por la carga, y la velocidad de deslizamiento jugó un papel menor dentro del rango probado.

Qué significa esto para piezas del mundo real

En términos sencillos, el estudio demuestra que mezclar cuidadosamente partículas duras en un metal ligero y usar remoción asistida por sonido puede hacer su superficie mucho más resistente al desgaste por deslizamiento. Los componentes tratados de este modo pueden funcionar con cargas mayores con menos fricción y una pérdida de material más lenta, lo cual es valioso para la automoción y otras aplicaciones sensibles al peso. Al mismo tiempo, los modelos basados en datos pueden predecir de manera fiable el comportamiento del desgaste sin repetir cada experimento, dando a los ingenieros una herramienta práctica para explorar diseños por ordenador antes de mecanizar cualquier pieza.

Cita: Kumar, T.S., Shalini, S., Petrů, J. et al. Predicting wear behavior of AZ31/TiC composites produced via ultrasonic vibration assisted friction stir processing using machine learning models. Sci Rep 16, 14858 (2026). https://doi.org/10.1038/s41598-026-44372-0

Palabras clave: desgaste de aleación de magnesio, compósito de carburo de titanio, procesamiento por fricción asistido por ultrasonidos, predicción de desgaste con aprendizaje automático, tribología