En el mundo de la ingeniería, cada avance representa un paso adelante hacia la excelencia y la eficiencia. En este sentido, el consorcio liderado por CiTD ha logrado hitos significativos en el proyecto SM@RTM, destinado a mitigar los defectos en piezas de material compuesto mediante la técnica de moldeo por transferencia de resina (RTM).

Una de las ramas destacadas del proyecto, desarrollada por CiTD en colaboración con IMDEA, se centra en la optimización del proceso de RTM a través de modelos computacionales avanzados. Se han aplicado técnicas de Dinámica de Fluidos Computacional (CFD) para modelar el llenado del molde, teniendo en cuenta diferentes escenarios de defectología del molde, como “gaps” u “overlaps”, inherentes a la fabricación mediante Automatización de Fibra de Posicionamiento (AFP). Estos modelos, soportados por datos precisos obtenidos de la colaboración entre CiTD con AIMEN, también dentro del alcance del proyecto, permiten una simulación detallada del proceso de llenado, proporcionando una comprensión profunda de los factores que influyen en la calidad final de la pieza.

Además, se ha dado un salto innovador al desarrollar modelos subrogados utilizando técnicas de redes neuronales en Python. Estos modelos reducen significativamente el tiempo computacional necesario para simular diferentes escenarios de defectología, permitiendo una rápida evaluación de la influencia de los parámetros de inyección y la defectología del molde en la porosidad final de la pieza. Esta aproximación, basada en datos obtenidos de los modelos CFD, demuestra una eficaz sinergia entre la simulación numérica y el aprendizaje automático.

En la recta final de este proceso de simulación desde los modelos de simulación complejos CFD hasta los modelos subrogados, pasando por el aprendizaje de éstos, CiTD ha desempeñado un papel crucial en el análisis y la interpretación de los resultados obtenidos. Mediante exhaustivos estudios, se ha identificado cómo los diferentes tipos de defectos en el molde afectan a las presiones de inyección requeridas durante el proceso de RTM. Se ha observado que los defectos tipo “gap” demandan presiones menores en comparación con los defectos tipo “overlap”. A partir de estos hallazgos, se han determinado presiones óptimas para cada distribución de errores, logrando así un control más preciso y eficiente del proceso de moldeo. En definitiva se ha conseguido desarrollar acciones correctivas en tiempo real, poderosa herramienta para los operarios así como establecer estrategias de control RTM.

Como resumen, los avances alcanzados en el proyecto SM@RTM representan un hito significativo en la búsqueda de la excelencia en la fabricación de piezas de material compuesto. La combinación de modelos avanzados de simulación y técnicas innovadoras de aprendizaje automático allana el camino hacia un proceso de RTM más eficiente, confiable y adaptativo.