LADICIM e IFCA se apoyan en la IA para automatizar la clasificación del grafito en fundiciones de hierro
Mediante redes neuronales convolucionales, el nuevo sistema identifica la morfología del grafito con alta precisión, superando las limitaciones del análisis manual y permitiendo un control de calidad más riguroso y eficiente
La correcta clasificación del grafito en fundiciones de hierro es esencial para garantizar que las piezas metálicas cumplan con los altos estándares de calidad requeridos por sectores estratégicos como la automoción, la maquinaria industrial, la energía y la construcción. El grafito, presente en forma de partículas dentro de la matriz de hierro, juega un papel crucial en las propiedades mecánicas y térmicas del material, lo cual impacta directamente en su desempeño y durabilidad en aplicaciones exigentes.
Por ejemplo, en la industria automotriz, la utilización de fundición nodular resulta crucial para la fabricación de componentes como ejes, bloques de motor y sistemas de suspensión. La forma esférica del grafito en estas aplicaciones mejora la resistencia y la ductilidad del material, reduciendo los puntos de concentración de tensión y aumentando la capacidad de las piezas para soportar cargas mecánicas y choques térmicos. Esto prolonga la vida útil de los vehículos y reduce los requerimientos de mantenimiento, generando beneficios tanto para los fabricantes como para los usuarios finales.
La fundición gris, por su parte, está caracterizada por la presencia de grafito laminar, resultando idónea para elementos como discos de freno y cabezales de cilindro, pues facilita la disipación de calor y la amortiguación de vibraciones. Esto se traduce en una mayor eficiencia energética y un funcionamiento más seguro y silencioso de los equipos, mejorando la productividad industrial y, en consecuencia, beneficiando a la economía.
La clasificación adecuada de las formas de grafito es también esencial en la construcción, donde se requiere que las piezas de fundición soporten cargas variables y condiciones ambientales rigurosas. El grafito vermicular, con características intermedias entre el nodular y el laminar, proporciona un balance ideal entre resistencia y conductividad térmica, siendo óptimo para componentes que enfrentan cambios térmicos y mecánicos constantes.
La capacidad de identificar con precisión la morfología del grafito en fundiciones no solo permite a las empresas ajustar sus procesos de producción, sino que garantiza la fabricación de productos fiables y duraderos. Esto impacta positivamente en la sostenibilidad industrial, ya que reduce el consumo de recursos y la generación de residuos, y contribuye al bienestar de la sociedad mediante la mejora de la seguridad y eficiencia de los productos que utilizamos diariamente. Así, la correcta clasificación del grafito es un pilar de la innovación y la competitividad en diversas industrias, afectando desde la cadena de suministro hasta el usuario final y promoviendo un desarrollo tecnológico que incrementa la calidad de vida.
Limitaciones del método tradicional de clasificación del grafito
El método actual de clasificación del grafito en fundiciones de hierro se basa en la observación visual de su microestructura mediante microscopía, conforme a la norma UNE-EN ISO 945-1:2020. Esta norma establece seis imágenes de referencia, una para cada una de las familias de fundiciones, para que un operador clasifique, mediante comparación visual, las distintas formas de partículas de grafito presentes en muestras de fundición. Un procedimiento que depende de la experiencia y pericia del analista, que debe identificar variaciones morfológicas del grafito, como formas laminares, nodulares o compactas.
A pesar de su amplio uso en la industria, este método presenta limitaciones notables debido a su naturaleza cualitativa. La clasificación depende en gran medida de la interpretación subjetiva del operador, lo que introduce un grado significativo de variabilidad en los resultados. Distintos analistas pueden llegar a conclusiones divergentes sobre la misma microestructura, especialmente en casos de transiciones sutiles entre formas de grafito.
Otro reto añadido para este sistema es la evaluación de muestras con microestructuras heterogéneas, donde coexisten varias formas de grafito. En estos casos, el operador debe determinar visualmente la proporción relativa de cada tipo de grafito, un proceso complejo y propenso a errores. La necesidad de evaluar cada muestra de forma manual incrementa el tiempo requerido para el análisis, lo que a su vez eleva los costos operativos y reduce la eficiencia en contextos de alta demanda de producción.
Estas limitaciones en la fiabilidad y la eficiencia del sistema actual representan un obstáculo para garantizar la calidad constante de los materiales, un hecho especialmente relevante en aplicaciones donde las propiedades mecánicas de las fundiciones deben ser precisas y estables. En este sentido, la industria enfrenta el desafío de adoptar métodos que mantengan la precisión del análisis, eliminando al mismo tiempo los sesgos y restricciones del proceso manual.
Innovación en la clasificación del grafito con Inteligencia Artificial
En respuesta a estos desafíos, el Laboratorio de Ciencia e Ingeniería de Materiales (LADICIM) de la Universidad de Cantabria ha desarrollado, en colaboración con el Instituto de Física de Cantabria (IFCA-CSIC), un estudio innovador para la clasificación del grafito en fundiciones de hierro, publicado en la revista Steel Research International. El equipo de investigación ha propuesto una metodología que integra técnicas de inteligencia artificial, superando así las limitaciones del análisis visual tradicional.
La investigación, liderada por Marta Bárcena, Lara Lloret, Diego Ferreño e Isidro Carrascal, ha permitido desarrollar una técnica basada en redes neuronales convolucionales (Convolutional Neural Networks, CNN) para la clasificación automática de microestructuras de grafito a partir de imágenes de microscopía óptica. Este enfoque se apoya en el uso de redes neuronales profundas, como MobileNet y U-Net, para analizar de forma precisa y consistente la morfología del grafito, superando la subjetividad inherente al análisis manual.
El estudio parte de una realidad conocida: la clasificación de las formas de grafito es esencial para determinar las propiedades mecánicas de las fundiciones de hierro, pero el método visual tradicional presenta problemas de repetibilidad y precisión. La investigación de LADICIM ha dado un paso significativo hacia la automatización de este proceso mediante la utilización de un enfoque de aprendizaje profundo, que analiza grandes volúmenes de datos visuales de forma eficiente.
Para suplir la falta de un conjunto de datos suficientemente amplio que permitiera un adecuado entrenamiento de los algoritmos, el equipo de investigación creó un conjunto sintético de imágenes basadas en las micrografías de referencia facilitadas por la norma UNE-EN ISO 945-1:2020. Este dataset incluye 2.400 imágenes sintéticas puras (es decir, incluyendo únicamente un tipo de morfología de grafito de entre las seis familias disponibles) y 1.500 mixtas (cada una de las cuales incluye dos morfologías de grafito), utilizadas para entrenar y validar los modelos de CNN.
El modelo MobileNet se centró en la clasificación de imágenes homogéneas, mientras que U-Net se utilizó para segmentar las imágenes mixtas más complejas, asignando etiquetas a cada píxel. Este enfoque permite identificar con detalle las formas de grafito en muestras complejas, donde pueden coexistir múltiples morfologías. Los resultados alcanzados demuestran que los algoritmos son capaces de identificar con fidelidad las características del grafito, permitiendo una clasificación precisa con una tasa de acierto superior al 97% en imágenes puras, y de entre un 84% y un 93% en la segmentación de imágenes mixtas.
Además, el modelo mostró una capacidad notable para procesar grandes cantidades de datos en un tiempo reducido, una característica fundamental para aplicaciones industriales que demandan alta eficiencia.
Un enfoque automatizado para el control de calidad en tiempo real
El desarrollo de esta metodología representa un avance significativo, permitiendo un análisis objetivo y repetible que asegura la calidad de las fundiciones de hierro. El uso de aprendizaje automático facilita la escalabilidad del proceso y permite su integración en procesos de control de calidad en tiempo real, mejorando la trazabilidad y optimizando la producción.
La investigación desarrollada por LADICIM e IFCA marca un punto de inflexión en la clasificación automatizada de grafito en fundiciones. La colaboración entre ambas instituciones ha permitido combinar el conocimiento de LADICIM en la ciencia de materiales y la caracterización de microestructuras con la experiencia del IFCA en el procesamiento de datos avanzados y la modelización computacional. Esta sinergia ha sido fundamental para crear un conjunto de datos sintéticos que emulara con precisión las características del grafito conforme a la norma ISO 945-1.
La integración de estas técnicas en procesos de control de calidad permitirá mejorar la consistencia de los análisis, optimizando la producción industrial de piezas de fundición. El enfoque automatizado propuesto tiene el potencial de ser implementado en diversas industrias, mejorando la eficiencia y calidad de la producción en sectores como la automoción, la generación de energía y la maquinaria pesada.
