---
title: "Un modelo analítico basado en la inteligencia artificial permite predecir en cuestión de segundos la resistencia mecánica de los componentes de metal impresos en 3D"
url: https://www.voxelmatters.com/es/un-modelo-analitico-basado-en-la-inteligencia-artificial-permite-predecir-en-cuestion-de-segundos-la-resistencia-mecanica-de-los-componentes-de-metal-impresos-en-3d/
date: 2026-04-26
modified: 2026-04-26
lang: es
author: "Joseph Caron-Dawe"
description: "Un equipo de investigadores de la POSTECH y del Instituto Coreano de Ciencia de los Materiales (KIMS) ha desarrollado un modelo analítico basado en la inteligencia artificial capaz de predecir..."
categories:
  - "Fabricación aditiva de metal"
  - "IA"
  - "Investigación sobre la AM"
tags:
  - "future"
image: https://www.voxelmatters.com/wp-content/uploads/2026/04/AI-framework-predicts-metal-3D-printed-part-strength-01-640x400.jpg
word_count: 513
---

# Un modelo analítico basado en la inteligencia artificial permite predecir en cuestión de segundos la resistencia mecánica de los componentes de metal impresos en 3D

[Un equipo de investigadores de la POSTECH](https://www.voxelmatters.com/postech-researchers-3d-print-human-brain-model/) y del [Instituto Coreano de Ciencia de los Materiales (KIMS)](https://www.voxelmatters.com/researchers-develop-ultra-strong-metal-3d-printing-alloy/) ha desarrollado un modelo analítico basado en la inteligencia artificial capaz de predecir en cuestión de segundos la resistencia mecánica de los componentes de metal impresos en 3D incluso en aquellos casos en los que presentan defectos internos.

El trabajo ha sido dirigido por el profesor Kim Hyeong-seop, del Graduate Institute of Ferrous & Eco Materials Technology y el Departamento de Ciencias e Ingeniería de los Materiales de la POSTECH, y se ha llevado a cabo en colaboración con el investigador sénior Park Jung-min, del KIMS. Los resultados se han publicado en la revista internacional especializada en ciencias de los materiales [*Acta Materialia*](https://www.sciencedirect.com/science/article/abs/pii/S1359645426002077?via%3Dihub).

## El problema de los defectos en la fabricación aditiva de metal

El proceso de estratificación que caracteriza a la tecnología LPBF suele generar pequeños huecos internos en forma de burbuja que pueden convertirse en puntos débiles críticos cuando se trata de piezas destinadas a aplicaciones exigentes como motores de avión o conjuntos de automoción. Sin embargo, cuantificar el efecto de estos poros en la resistencia estructural requiere llevar a cabo ensayos repetitivos, exhaustivos y muy caros.

![AI framework predicts metal 3D printed part strength in seconds](https://www.voxelmatters.com/wp-content/uploads/2026/04/AI-framework-predicts-metal-3D-printed-part-strength-02-340x213.jpg)El investigador sénior Park Jung-min, del KIMS; Lee Jeong-ah, alumno del programa integrado de máster y doctorado del Departamento de Ciencias e Ingeniería de Materiales de la POSTECH, y el profesor Kim Hyeong-seop (Imagen: POSTECH). 

En lugar de intentar eliminar estos defectos, el equipo de investigación ha entrenado a la IA para que trabaje con ellos. El modelo ha procesado un amplio conjunto de datos que abarca desde los parámetros de fabricación —como la potencia del láser o la velocidad de barrido— a una serie de datos sobre la microestructura interna, así como el tamaño y la distribución espacial de los poros.

A continuación, los investigadores han aplicado una técnica denominada «aprendizaje selectivo de datos» para identificar las variables que más influyen en la resistencia, lo que ha contribuido a mejorar la precisión de las predicciones.

## Un sistema capaz de explicar los resultados y verificar la precisión

Una de las características distintivas de este modelo analítico es su capacidad de generar ecuaciones comprensibles para el ser humano junto con las predicciones en lugar de limitarse a funcionar como una caja negra.

[Las pruebas de validación realizadas con una aleación de aluminio, silicio y magnesio (Al-Si-Mg)](https://www.voxelmatters.com/why-manufacturers-are-switching-to-pbf-specific-aluminum-alloy/) ampliamente utilizada en los sectores aeroespacial y automovilístico han arrojado predicciones de resistencia con un error medio de 9,51 megapascales (MPa), un resultado que, según el equipo, supera en más de cuatro veces la precisión de los sistemas existentes.

Los investigadores han señalado que esta herramienta podría ampliarse para crear un modelo de diseño que tenga en cuenta los defectos, lo que podría ofrecer a los ingenieros una visión avanzada de cómo varía el rendimiento de los componentes en función de los cambios en las condiciones de fabricación.

«Esta tecnología mejorará la fiabilidad de las piezas de metal impresas en 3D, lo que acelerará considerablemente su comercialización en sectores como la industria aeroespacial y la automovilística», asegura Kim Hyeong-seop.