Optimización de la Secuencia de Fabricación para Minimizar la Distorsión en la Fabricación Aditiva Multieje

1. Introducción

La fabricación aditiva (FA) multieje, ejemplificada por la Fabricación Aditiva por Arco y Alambre (WAAM) robótica, introduce flexibilidad de fabricación al permitir la reorientación del cabezal de impresión o del componente. Esto rompe la restricción de la deposición de capas planas inherente a la FA convencional. Sin embargo, la FA de metales implica gradientes térmicos significativos y transformaciones de fase, lo que conduce a una expansión/contracción térmica desigual y a una distorsión resultante, lo que impacta críticamente la precisión dimensional y el rendimiento estructural para el ensamblaje.

Optimizar la secuencia de fabricación—el orden en que se deposita el material—presenta una vía novedosa para mitigar esta distorsión. El desafío radica en representar la secuencia como variables de optimización diferenciables adecuadas para métodos basados en gradientes. Este trabajo aborda esto proponiendo un marco computacional para la optimización de la secuencia de fabricación con el fin de minimizar la distorsión.

2. Metodología

2.1 Codificación del Campo de Pseudo-Tiempo

El núcleo del marco es la representación de la secuencia de fabricación. A cada punto material x en el dominio del componente Ω se le asigna un pseudo-tiempo escalar $T(x)$. El proceso de fabricación se modela como la materialización secuencial de puntos según este campo: un punto con un $T$ menor se deposita antes que un punto con un $T$ mayor. Esto transforma la optimización de secuencia discreta en un problema de optimización de campo continuo.

2.2 Modelado de la Distorsión

Se utiliza un modelo simplificado pero físicamente representativo para predecir la distorsión. Imita el método de deformación inherente, donde cada nuevo elemento de material depositado experimenta una deformación por contracción prescrita (por ejemplo, contracción térmica) al enfriarse. La distorsión acumulada $\mathbf{u}$ se calcula resolviendo las ecuaciones de equilibrio de elasticidad lineal en todo el dominio, considerando los campos de deformación dependientes de la historia.

2.3 Optimización Basada en Gradientes

El objetivo es minimizar una medida de la distorsión final, por ejemplo, la flexibilidad del campo de distorsión o su desplazamiento máximo. La variable de diseño es el campo de pseudo-tiempo $T(x)$. El gradiente del objetivo con respecto a $T(x)$ se calcula utilizando el método adjunto, permitiendo una optimización a gran escala eficiente. Las restricciones garantizan que el campo de tiempo sea monótono para representar una secuencia de deposición válida y no reversible.

3. Estudios Numéricos y Resultados

3.1 Caso de Referencia: Viga en Voladizo

El marco se probó en una geometría de viga en voladizo 3D. El caso de referencia utilizó capas planas verticales convencionales. Luego, se encargó al algoritmo de optimización encontrar un campo de pseudo-tiempo que minimice la deflexión vertical en el extremo libre de la viga debido a la contracción inducida por la deposición.

3.2 Comparación: Capas Planas vs. Curvas

El estudio comparó visual y cuantitativamente los campos de distorsión. La secuencia de capas planas condujo a un efecto de flexión acumulativo predecible. En contraste, la secuencia optimizada de capas curvas "equilibró" estratégicamente las deformaciones por contracción en todo el volumen, a menudo depositando material de manera que induce distorsiones contrarrestantes, lo que resulta en una pieza final casi de forma neta.

4. Análisis Técnico y Marco de Trabajo

4.1 Formulación Matemática

El problema de optimización se puede resumir como: $$ \begin{aligned} \min_{T} \quad & J(\mathbf{u}) = \int_{\Omega} \mathbf{u} \cdot \mathbf{u} \, d\Omega \\ \text{s.t.} \quad & \nabla \cdot \boldsymbol{\sigma} + \mathbf{b} = \mathbf{0} \quad \text{en } \Omega \\ & \boldsymbol{\sigma} = \mathbf{C} : (\boldsymbol{\epsilon} - \boldsymbol{\epsilon}^{sh}(T)) \\ & \boldsymbol{\epsilon} = \frac{1}{2}(\nabla \mathbf{u} + \nabla \mathbf{u}^T) \\ & T_{\min} \leq T(x) \leq T_{\max}, \quad \nabla T \cdot \mathbf{n} \geq 0 \, (\text{monotonicidad}) \end{aligned} $$ Donde $J$ es el objetivo de distorsión, $\boldsymbol{\epsilon}^{sh}(T)$ es la deformación por contracción dependiente del pseudo-tiempo, y la restricción de monotonicidad garantiza un orden de deposición factible.

4.2 Ejemplo del Marco de Análisis

Escenario: Optimizar la secuencia de impresión para una brida producida por WAAM con el fin de minimizar el alabeo para el posterior ensamblaje.

1. Entrada: Modelo CAD 3D de la brida, parámetros de contracción del material (de calibración).
2. Discretización: Mallar el dominio. Inicializar un campo de pseudo-tiempo (por ejemplo, correspondiente a capas planas).
3. Bucle de Simulación: Para el campo $T$ actual, simular la deposición secuencial y calcular el campo de distorsión final $\mathbf{u}$ y el objetivo $J$.
4. Adjunto y Gradiente: Resolver la ecuación adjunta para calcular $\partial J / \partial T$ de manera eficiente.
5. Actualización: Usar un optimizador basado en gradientes (por ejemplo, MMA, SNOPT) para actualizar el campo $T$, respetando las restricciones.
6. Salida: El campo $T$ optimizado, que luego se interpreta en una trayectoria de herramienta robótica para la deposición WAAM de capas curvas.

5. Perspectivas de Aplicación y Direcciones Futuras

El marco abre varias vías de impacto:

• Integración con Modelos Termomecánicos Completos: El modelo de contracción actual es una simplificación. El trabajo futuro debe integrar simulaciones termomecánicas transitorias de alta fidelidad, similares a los desafíos multifísicos abordados en modelos para la fusión en lecho de polvo por láser. Esto aumenta la precisión pero también el costo computacional, lo que requiere reducción del orden del modelo.
• Planificación de Trayectorias para WAAM Robótico: El campo de pseudo-tiempo optimizado debe traducirse en trayectorias robóticas cinemáticamente factibles y libres de colisiones. Esto une el diseño computacional con la ejecución robótica.
• Optimización Multiobjetivo: Optimizar simultáneamente la distorsión, la tensión residual, el tiempo de construcción y el volumen de estructuras de soporte. Esto se alinea con la optimización holística del proceso observada en investigaciones de fabricación avanzada de instituciones como el Laboratorio Nacional Oak Ridge.
• Suplentes de Aprendizaje Automático: Para lograr una planificación de secuencias en tiempo real o casi real, se pueden entrenar redes neuronales como suplentes de la costosa simulación física, siguiendo las tendencias establecidas por trabajos como CycleGAN para la traducción de imagen a imagen, pero aplicados al mapeo de geometría a secuencias de deposición óptimas.
• Corrección de Distorsión In Situ: Combinar el plan optimizado con el monitoreo en proceso (por ejemplo, escaneo láser) para crear un sistema de circuito cerrado que ajuste la secuencia en tiempo real según la distorsión medida.

6. Referencias

1. Ding, D., Pan, Z., Cuiuri, D., & Li, H. (2015). Wire-feed additive manufacturing of metal components: technologies, developments and future interests. The International Journal of Advanced Manufacturing Technology, 81(1-4), 465-481.
2. Williams, S. W., Martina, F., Addison, A. C., Ding, J., Pardal, G., & Colegrove, P. (2016). Wire+ Arc additive manufacturing. Materials Science and Technology, 32(7), 641-647.
3. Wang, W., van Keulen, F., & Wu, J. (2023). Fabrication Sequence Optimization for Minimizing Distortion in Multi-Axis Additive Manufacturing. arXiv preprint arXiv:2212.13307.
4. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (pp. 2223-2232).
5. Oak Ridge National Laboratory. (2017). 3D Printed Excavator Project. Recuperado de https://www.ornl.gov/news/3d-printed-excavator-project.
6. Bendsøe, M. P., & Sigmund, O. (2003). Topology optimization: theory, methods, and applications. Springer Science & Business Media.