Aprendizaje automático explicable guiado por la física para el modelado multirrespuesta del micromecanizado electroquímico con electrodos de grafito polimérico

Piezas más pequeñas, máquinas más inteligentes

Desde implantes médicos hasta minúsculos canales en dispositivos electrónicos, los productos modernos dependen de características microscópicas talladas en metales resistentes. Fabricar estas estructuras de forma limpia y precisa es difícil, y cada experimento para afinar el proceso cuesta tiempo y dinero. Este estudio muestra cómo la combinación de la física y el aprendizaje automático puede ayudar a los ingenieros a predecir el comportamiento de un método de mecanizado especializado, de modo que puedan alcanzar mejores ajustes con menos pruebas.

Cómo se puede dar forma al metal sin cortar

El trabajo se centra en el micromecanizado electroquímico, un método que conforma el metal no por corte, sino disolviéndolo de manera controlada. Una herramienta afilada a base de grafito se acerca mucho a una pieza de acero inoxidable dentro de una solución salina en flujo, y pulsos eléctricos breves hacen que la superficie del metal se disuelva donde el campo eléctrico es más intenso. Este enfoque produce agujeros y canales minúsculos con casi nulo desgaste de la herramienta y poco estrés mecánico, lo que lo hace atractivo para componentes aeroespaciales, dispositivos médicos y microelectrónica. Sin embargo, el proceso es difícil de controlar porque varios factores, como el voltaje, la concentración de sal y el ciclo de trabajo de los pulsos, interactúan de manera compleja.

Por qué importa el material de la herramienta

Los investigadores compararon dos tipos de electrodos de grafito polimérico: una versión estándar y otra tratada criogénicamente, es decir, enfriada a temperaturas muy bajas para modificar su estructura interna. Bajo el microscopio, la superficie de la herramienta sin tratamiento se veía rugosa y porosa, mientras que la herramienta tratada aparecía más lisa y uniforme. Estas diferencias se tradujeron en la forma y calidad de los microagujeros producidos. Los agujeros hechos con la herramienta no tratada tendían a tener entradas más anchas, paredes cónicas y superficies más rugosas, mientras que los realizados con la herramienta tratada eran más circulares, rectas y suaves. Estas observaciones confirmaron que el estado de la herramienta tiene un impacto importante en cómo se disuelve el metal y proporcionaron una base física para incluir la condición de la herramienta en el modelado.

Enseñar a un modelo a respetar la física

En lugar de alimentar al modelo de aprendizaje automático solo con parámetros brutos como voltaje y concentración de sal, el equipo construyó características de entrada adicionales que reflejan cómo funciona el proceso en la práctica. Guiados por la electroquímica, combinaron variables en términos que representan la severidad global de la carga eléctrica y la forma en que los pulsos eléctricos y las propiedades de la solución interactúan. Usando un conjunto pequeño pero cuidadosamente diseñado de 34 experimentos, entrenaron modelos en conjunto para predecir cuatro resultados clave a la vez: la velocidad de eliminación de material, cuánto el agujero supera el tamaño de la herramienta, cuánto se taperizan las paredes y qué rugosidad presenta la superficie. Compararon estos modelos guiados por la física con ajustes polinomiales tradicionales y con modelos que utilizaban solo las entradas básicas.

Ver dentro de las decisiones del modelo

Los modelos guiados por la física predijeron consistentemente los resultados con mayor precisión que tanto las ecuaciones tradicionales como las versiones puramente basadas en datos. Por ejemplo, el mejor modelo explicó más del 90 por ciento de la variación en el sobrecorte y alrededor del 87 por ciento de la variación en la rugosidad superficial. Igualmente importante, los investigadores emplearon herramientas de IA explicable para ver qué entradas eran las más relevantes. Las características que codificaban efectos combinados de voltaje, ciclo de trabajo de los pulsos y concentración del electrolito dominaron las predicciones, en concordancia con lo esperado desde la electroquímica. La condición de la herramienta también apareció como un factor clave en la precisión geométrica y la calidad de la superficie. Las comprobaciones de residuos y las pruebas con datos barajados confirmaron que los errores restantes eran en su mayoría aleatorios en lugar de señales de una tendencia oculta que el modelo hubiera pasado por alto.

Guiando mejores ajustes y herramientas futuras

Convirtiendo un puñado de experimentos bien planificados en un predictor fiable y con base física, este trabajo ofrece una forma de explorar las condiciones del proceso en el ordenador en lugar de hacerlo totalmente en el taller. El modelo puede generar mapas suaves que muestran cómo los cambios en el voltaje o la concentración de la solución afectarán la tasa de remoción de material, el tamaño del agujero, el taper y la rugosidad, y destaca regiones de operación más amplias y estables cuando se usan herramientas tratadas criogénicamente. Para los ingenieros, esto significa sintonizar nuevos trabajos más rápidamente, comprender con mayor claridad las compensaciones entre velocidad y calidad, y abrir un camino hacia gemelos digitales y control adaptativo en el micromecanizado electroquímico.

Cita: Reddy, B.V.S., Pradeep, N., Bhaskar, A.S. et al. Physics-guided explainable machine learning for multi-response modeling of electrochemical micro-machining using polymer graphite electrodes. Sci Rep 16, 15623 (2026). https://doi.org/10.1038/s41598-026-46315-1

Palabras clave: micromecanizado electroquímico, aprendizaje automático guiado por la física, rugosidad superficial, microfabricación, electrodo de grafito polimérico