Esta es una continuación de un post anterior sobre uno de los objetivos del proyecto MAT4.0, la introducción de algoritmos de aprendizaje automático (machine learning) en los procesos de fabricación relacionados con materiales compuestos. En ese artículo se presentó el desafío de mejorar la evaluación de componentes para asegurar que las piezas industriales cumplen con los estándares de calidad. En este caso, el enfoque está en incluir los avances en la introducción de un enfoque de datos en el campo de la ciencia de los materiales.

Los modelos de aprendizaje automático y aprendizaje profundo (machine learning y deep learning) han experimentado un gran éxito en varios campos que van desde los negocios y las comunicaciones hasta la medicina. Cada día se desarrollan nuevas aplicaciones gracias a las enormes mejoras de eficacia disruptiva que llevan a cabo. La introducción de estas técnicas en la ciencia de materiales presenta obstáculos que se han abordado durante el proyecto: la escasez de datos, su curación y preparación, el cambio a una metodología basada en datos y la interpretación de los modelos.

Si en la revolución industrial anterior, la electricidad y el petróleo fueron el combustible de innovaciones como los automóviles, las bombillas y los trenes; los datos son el combustible actual. Sin embargo, los datos son escasos en el campo de la fabricación. Durante el proyecto MAT4.0uno de los avances claves es la creación, ampliación y mejora de los datos necesarios para hacer funcionar los modelos empleados en la evaluación de la fabricación de componentes.

La digitalización de los procesos es más que utilizar nuevas tecnologías para resolver los mismos problemas. La sociedad necesita reaprender y abordar los problemas tradicionales desde un nuevo enfoque. En MAT4.0 este cambio toma forma en la metodología desarrollada, basada en datos. Un enfoque end-to-end que comienza en las pruebas experimentales, cubre la limpieza de datos, el modelado y su evaluación considerando factores relevantes como la escalabilidad y su industrialización para entornos de producción.

Por último, pero no menos importante, la evaluación de los componentes de fabricación es fundamental para la seguridad de aviones, edificios y automóviles. Los modelos de machine learning empleados para mejorar esta evaluación no deben ser «cajas negras». Se desconfiaría de estimaciones extraordinarias si los profesionales de campo no pueden explicar esos resultados. Esta es la razón por la que durante el proyecto MAT4.0 se emplean esfuerzos en la visualización de datos y nuevos enfoques para la validación de modelos.

El trabajo realizado hasta el momento ha dado como resultado estimaciones del contenido de porosidad que mejora las del estado de la técnica. Dado que la porosidad es el defecto de fabricación más frecuente en los amteriales compuestos, los avances en esta dirección sin duda serán de mucha utilidad para el sector. Los resultados obtenidos serán objeto de una publicación científica que resuma todos los avances. El trabajo futuro incluye la evaluación de factores relevantes de la porosidad, principalmente relacionados con la geometría.