Predicción del consumo energético en deposition de energía dirigida mediante aprendizaje incremental integrado con transferencia de aprendizaje

Por qué importa un uso más inteligente de la energía en la impresión 3D

La impresión 3D de metal puede crear piezas complejas para motores a reacción e implantes médicos, pero a menudo consume grandes cantidades de electricidad. Esa energía supone un coste económico y un impacto climático. Este artículo explora una forma de enseñar a los ordenadores a predecir de manera fiable —y, con el tiempo, reducir— la energía empleada en un tipo concreto de impresión metálica, incluso cuando solo hay disponible una pequeña cantidad de datos. Para quienes se preocupan por una fabricación más ecológica o por abaratar productos de alta tecnología, este trabajo apunta hacia fábricas más inteligentes y eficientes.

Cómo se construyen piezas metálicas con luz

Muchas impresoras 3D de metal funcionan proyectando un láser intenso o un haz de electrones sobre una corriente o lecho de polvo metálico. En el proceso de deposición de energía dirigida (DED) estudiado aquí, el polvo se sopla hacia una pequeña piscina fundida creada por un láser, construyendo la pieza capa por capa. Aunque este enfoque desperdicia menos material que cortar piezas a partir de bloques, sigue consumiendo mucha energía porque la máquina debe fundir y solidificar metal repetidamente. La energía exacta utilizada depende de la aleación, la potencia del láser, la velocidad de movimiento y la rapidez de alimentación del polvo, entre otros factores. Predecir el consumo energético a partir de estos ajustes es difícil, pero crucial para controlar costes y estimar las emisiones de carbono.

Por qué las herramientas habituales de predicción se quedan cortas

Los investigadores han intentado usar tanto ecuaciones físicas como aprendizaje automático convencional para pronosticar el consumo energético en la fabricación aditiva. Los modelos basados en la física tienen dificultades para capturar todas las influencias reales y caóticas, mientras que el aprendizaje automático estándar suele necesitar conjuntos de datos grandes y ricos que incluyan no solo los parámetros del proceso sino también lecturas de sensores e imágenes. Recolectar datos tan detallados es costoso y lento. Peor aún, los modelos entrenados con un metal o una configuración pueden fallar cuando cambian las condiciones. Un modelo que funciona para una aleación de níquel puede no servir para una aleación de cobalto-cromo, y un modelo ajustado a una potencia de láser puede rendir mal a otra potencia.

Un marco de aprendizaje que aprovecha lo que ya sabe

Los autores combinan dos ideas —transferencia de aprendizaje y aprendizaje incremental— para abordar estas limitaciones. La transferencia de aprendizaje permite que un modelo reutilice lo aprendido sobre el consumo energético en una situación, como imprimir con cobalto-cromo (CoCrMo), cuando se aplica a otra, como imprimir con una aleación a base de níquel (IN718). El aprendizaje incremental permite actualizar el modelo paso a paso a medida que llegan nuevos datos, en lugar de reentrenarlo desde cero. En su marco, el modelo se entrena primero por etapas en un material, comenzando con muestras fabricadas a potencias de láser más bajas y luego añadiendo muestras a potencias más altas. El modelo entrenado se reentrena de forma ligera con solo unas pocas muestras del nuevo material o del nuevo nivel de potencia para que pueda adaptarse sin necesitar un gran conjunto de datos nuevo.

Probando distintas formas de que los ordenadores reconozcan patrones

Para evaluar el rendimiento de este marco, el equipo imprimió 20 pequeñas piezas de prueba usando polvos de CoCrMo e IN718 mientras medían la energía eléctrica consumida en cada instante. Usaron solo seis entradas simples —paso de tiempo, potencia del láser, velocidad de escaneo, tasa de alimentación del polvo, número de capa y si la máquina estaba activamente construyendo o no— para predecir la energía en cada momento. Se compararon cuatro tipos de modelos: un método basado en árboles (XGBoost), una red neuronal recurrente (LSTM), una red convolucional temporal (TCN) y un modelo transformer que utiliza mecanismos de atención. En tres tareas —cambiar de CoCrMo a IN718, de IN718 a CoCrMo y de potencia de láser baja a alta en IN718—, el enfoque de transferencia incremental produjo de forma consistente predicciones más cercanas a las mediciones reales que los modelos entrenados de la manera habitual.

Qué enfoque funcionó mejor

Entre los cuatro modelos, la red convolucional temporal destacó. Con el marco de transferencia incremental, alcanzó un error medio de alrededor del 4,65 por ciento y explicó aproximadamente el 92 por ciento de la variación en el consumo energético, además de ser razonablemente rápida de entrenar. La LSTM también tuvo buen desempeño, mientras que el transformer y XGBoost quedaron ligeramente rezagados en precisión, aunque XGBoost fue el que más rápido entrenó. Los modelos mejorados capturaron especialmente bien las caídas y picos repentinos de energía —los máximos y mínimos que marcan cuando el láser arranca, se detiene o cambia de capa— en lugar de suavizarlos.

Qué significa esto para una fabricación más limpia

En términos sencillos, el estudio muestra que una estrategia de aprendizaje por capas permite a los ordenadores predecir con precisión cuánta energía consumirá una impresora 3D de metal, incluso cuando los ingenieros disponen solo de unas pocas ejecuciones de prueba y cuando cambian materiales o parámetros del proceso. Este tipo de predicción es un paso clave para ajustar automáticamente las impresoras para consumir menos energía manteniendo la calidad de las piezas, y para estimar las emisiones sin mediciones exhaustivas. Aunque las fábricas reales implican todavía más variaciones que las condiciones controladas de este estudio, el enfoque de reutilizar y actualizar gradualmente el conocimiento aprendido ofrece un camino prometedor hacia una fabricación más consciente de la energía y más respetuosa con el clima.

Cita: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

Palabras clave: fabricación aditiva de metales, predicción del consumo energético, transferencia de aprendizaje, aprendizaje incremental, deposición de energía dirigida