IA evalúa la imprimibilidad de aleaciones para LPBF, reduciendo pruebas físicas 🤖

Un equipo de la Carnegie Mellon University presenta un flujo de trabajo basado en agentes de IA para predecir el comportamiento de aleaciones en impresión 3D metálica por sinterización láser (LPBF). El sistema integra modelos termodinámicos y mapas de defectos para evaluar la imprimibilidad de composiciones, optimizando materiales y parámetros de proceso con menos experimentación costosa.

Integración de modelos termodinámicos y mapas de defectos 🔬

La metodología combina el software Thermo-Calc, que predice fases y propiedades termodinámicas de una aleación, con modelos que simulan la formación de defectos por falta de fusión en función de parámetros láser. El agente de IA correlaciona estos datos para predecir si una composición dada, bajo ciertas condiciones, producirá una pieza densa y sin fallos. Esto permite cribar virtualmente cientos de combinaciones.

Adiós al método imprime y reza 👋

Esto podría marcar el fin de la era dorada del ensayo y error glorificado, donde diseñar una aleación útil requería la fe de un monje y el presupuesto de una pequeña nación. Ahora, en lugar de cruzar los dedos y esperar que no salga un colador, un agente digital te dirá fríamente que tu composición maestra es, en realidad, un desastre anunciado. Un avance para la ciencia, pero un golpe para el romanticismo del taller.