Inteligencia artificial en un entorno de gemelo digital para predecir la microestructura del acero ER70S-6 en WAAM a partir de simulación térmica y visión artificial
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta tesis desarrolla un marco predictivo basado en historia térmica para estimar la evolución microestructural espacial del acero ER70S-6 depositado mediante manufactura aditiva por arco y alambre (WAAM). Se fabricaron paredes delgadas incrementales de uno a nueve cordones a velocidades de avance de 250 y 350 mm/min utilizando una plataforma WAAM basada en CNC y controlada mediante G-code posprocesado. Las probetas fueron caracterizadas mediante microscopía óptica continua, segmentación digital de granos y clasificación supervisada de ferrita alotriomórfica, acicular y equiaxial. El clasificador Random Forest alcanzó una exactitud de 0.9959 y un macro F1-score de 0.9860, permitiendo construir mapas microestructurales resueltos espacialmente. Estos mapas mostraron que la ferrita equiaxial aparece desde tres cordones a 250 mm/min y desde cinco cordones a 350 mm/min.
Se desarrolló una simulación térmica transitoria guiada por la trayectoria real, incorporando activación progresiva de vóxeles, fuente térmica gaussiana móvil y condiciones de enfriamiento consistentes con el montaje experimental. Su evaluación mediante termografía infrarroja mostró errores relativos generalmente inferiores al 10% durante los intervalos válidos de enfriamiento de los ciclos posteriores al depósito inicial. A partir de las historias térmicas se extrajeron trece descriptores termo-metalúrgicos, alineados con las mediciones microestructurales locales. El modelo Gradient Boosting seleccionado reprodujo adecuadamente las respuestas del conjunto de entrenamiento y, sin reentrenamiento, identificó las principales distribuciones morfológicas en una geometría triangular independiente fabricada a 300 mm/min. Los resultados establecen una base experimental y computacional para el diseño de procesos WAAM orientado al control microestructural. (Texto tomado de la fuente)
Abstract
This thesis develops a thermal-history-informed predictive framework to estimate the spatial microstructural evolution of ER70S-6 steel deposited by Wire Arc Additive Manufacturing (WAAM). Incremental thin walls containing one to nine deposited beads were fabricated at travel speeds of 250 and 350 mm/min using a CNC-based WAAM platform controlled through post-processed G-code. The specimens were characterized through continuous optical microscopy, digital grain segmentation, and supervised classification of allotriomorphic, acicular, and equiaxed ferrite. The selected Random Forest classifier achieved an accuracy of 0.9959 and a macro F1-score of 0.9860, enabling the construction of spatially resolved microstructural maps. These maps showed that equiaxed ferrite appeared from the three-bead configuration at 250 mm/min and from the five-bead configuration at 350 mm/min.
A toolpath-driven transient thermal simulation was developed by incorporating progressive voxel activation, a moving Gaussian heat source, and cooling boundary conditions consistent with the experimental setup. Infrared thermography assessment showed relative errors generally below 10% during valid cooling intervals after the initial deposition stage. Thirteen thermo-metallurgical descriptors were extracted from the simulated thermal histories and aligned with local microstructural measurements. The selected Gradient Boosting model reproduced the training responses and, without retraining, identified the main morphology-distribution trends in an independent triangular geometry fabricated at 300 mm/min. These results establish an experimentally grounded computational basis for microstructure-oriented WAAM process design.
Descripción
ilustraciones a color, diagramas, fotografías
Palabras clave propuestas
Términos Normalizados
Aprendizaje automático (Inteligencia artificial); Machine learning; Aprendizaje supervisado (Aprendizaje automático); Supervised learning (Machine learning); Sensores remotos; Remote sensing; Acero - Análisis; Steel - analysis; Acero de alta resistencia; Steel, high strength; Visión por computador; Computer vision; 670 - Manufactura; 670 - Manufactura::672 - Hierro, acero, otras aleaciones ferrosas; 670 - Manufactura::671 - Proceso de metalurgia y productos metálicos primarios