Investigadores han desarrollado un método basado en el aprendizaje automático para desacoplar los errores dimensionales dependientes de la geometría en elementos de ensamblaje fabricados con modelado por deposición fundida (FDM). Este avance aborda un desafío crítico en la fabricación aditiva: la precisión dimensional de las piezas impresas, especialmente cuando se ensamblan. Tradicionalmente, las compensaciones para estos errores se han determinado empíricamente, un proceso laborioso y poco escalable. El nuevo enfoque permite predecir y corregir las deformaciones de forma más eficiente, mejorando significativamente la fiabilidad de los componentes FDM en aplicaciones de ingeniería.

El método se basa en un diseño inverso que utiliza un modelo de aprendizaje automático para correlacionar la geometría de entrada con los errores dimensionales observados en las piezas impresas. Al desacoplar la influencia de la geometría en estos errores, el sistema puede generar compensaciones precisas para cada diseño. Esto es particularmente relevante para elementos de ensamblaje, donde la acumulación de pequeñas imprecisiones puede llevar a fallos funcionales. La capacidad de desacoplar estos factores permite una optimización más granular y un control de calidad superior en el proceso de fabricación.

La implicación principal de esta investigación es la mejora sustancial en la precisión y repetibilidad de la impresión FDM para componentes complejos. Al automatizar y optimizar la corrección de errores dimensionales, se reduce el tiempo de desarrollo y los costes asociados a la iteración de diseños. Este avance abre la puerta a un uso más extendido de la fabricación FDM en aplicaciones que exigen alta precisión, como prototipos funcionales, utillaje especializado y componentes para dispositivos electrónicos o médicos, donde las tolerancias son críticas. El siguiente paso será validar el método en una gama más amplia de materiales y geometrías, así como integrar esta capacidad en el software de diseño asistido por ordenador.