Machine learning en el diseño de superaleaciones para la industria aeroespacial

Las ventajas que presenta el uso de la inteligencia artificial y la rápida curva de aprendizaje de los sistemas que la componen, hacen que cada vez más empresas de diferentes sectores industriales muestren interés en la implementación de machine learning en sus sistemas de producción, como una ventaja competitiva que aprovecha la vasta disponibilidad de datos generados a partir de operaciones que se repiten millones de veces y en las cuales se presentan ligeras variaciones que las hacen únicas.

Estas ventajas han hecho que gradualmente se haya incrementado la presencia de algoritmos informáticos que permiten la planeación de las mejores rutas de viaje, detección de rostros y patrones de comportamiento, marketing, diagnósticos médicos y autonomía del transporte, entre muchas otras aplicaciones.

Hoy hablamos de machine learning como una expresión en inglés que se refiere al aprendizaje automático y que fue definida en 1946 por Walter Pitts y Warren McCulloch. Este aprendizaje automático por parte de las máquinas está orientado hacia la identificación de patrones que permitan establecer rutas predictivas en un proceso y la consecuente ejecución de acciones en función de un desempeño que se optimiza cada vez más.

Esta rama de la inteligencia artificial, que dota de aprendizaje automático a sistemas de cómputo, sin una programación continua, evoluciona rápidamente y posibilita hoy la implementación de modelos matemáticos cada vez más complejos, que permiten llegar a la mejor toma de decisiones a partir de la experiencia y los datos que la constituyen.

Tan solo en el sector aeroespacial, el advenimiento de la era que comprende grandes cantidades de información originó una revolución y la creación de paradigmas en el campo de la ingeniería. Esto implicó considerar las primeras estrategias que dieron paso al análisis preciso de datos complejos y cuya estructuración derivó en el Boeing 777 como el primer avión concebido a partir de procesos de simulación sin la elaboración de maquetas previas, que posibilitaron su primer vuelo el 12 de julio de 1994.

La amplia disponibilidad de información generada a partir de investigación y desarrollo en este sector implica oportunidades y retos únicos para la integración y análisis de datos mediante machine learning, que comprenden inspección, análisis multimodal de datos, cientos de sensores, procesos estandarizados de operación y su automatización, diseño, optimización de procesos de manufactura basados en fabricación aditiva e, incluso, los mismos materiales y superaleaciones que componen las partes críticas y de alto desempeño. Lo anterior deriva en millones y millones de datos para ser monitoreados y analizados.

Las superlaciones tienen un rol predominante; entre ellas, las aleaciones de media y alta entropía, como las desarrolladas por la NASA en el Glenn Research Center por Timothy Smith para aplicaciones de alta temperatura, se han convertido en un tema de intensa investigación. Dadas las extremas condiciones de trabajo que debe soportar este grupo de aleaciones, se toman en cuenta en su diseño los mecanismos de reforzamiento asociados a los desafíos que debe presentar el material bajo diferentes condiciones de trabajo, más aún si la materia prima está constituida por material metálico en polvo.

Sin embargo, una comprensión profunda del comportamiento de los materiales es complicada debido a la intrincada configuración que presentan. No obstante, mediante técnicas de machine learning se vislumbran enormes posibilidades en la detección de defectos y potencialización de propiedades mecánicas de nuevos materiales, que en muchas situaciones complementan complejos cálculos termodinámicos que demandan una enorme capacidad de cómputo.

Los resultados obtenidos hasta ahora proporcionan una base sólida para establecer las interacciones químicas en la formulación de superlaciones y determinar rutas para códigos, algoritmos y simulaciones apoyados en el uso de software comercial y con una presencia cada vez más fuerte del software de código abierto.

En opinión de Saurav Goel, profesor investigador en el Departamento de Ingeniería Mecánica de la London South Bank University, el uso de machine learning en la síntesis de superaleaciones que permita un entendimiento profundo de sus defectos y propiedades representa un camino en pleno desarrollo, que necesita hoy una mayor disponibilidad de datos abiertos, así como software de código abierto que faciliten pasar de la síntesis de aleaciones en laboratorio hacia aplicaciones prácticas de alta precisión.

Lo anterior representa una enorme oportunidad para instituciones públicas y privadas relacionada con la generación de datos abiertos, que previos a la síntesis de un material, pueden ser empleados en la calibración y predicción de sus propiedades físicas y químicas, con base en su composición y condiciones de procesamiento.

En México, centros públicos de investigación como CIMAV, CIATEQ y CIDESI presentan en sus repositorios investigaciones relacionadas con materiales aplicables al sector aeroespacial, incluidas aleaciones de alta entropía, cuyos datos de dominio público representan no solo una contribución al estado de arte en el tema de superaleaciones, sino un cúmulo valioso de datos para la construcción de algoritmos de machine learning.