Métodos de diseño de experimentos para el desarrollo de procesos de impresión 3D: de la selección ortogonal y el modelado de superficie de respuesta a la calibración de ventanas de proceso

Introducción: por qué la optimización de parámetros parece no avanzar

Durante la puesta a punto in situ de procesos de fusión de lecho de polvo metálico por láser (LPBF) y sinterización de polímeros, el escenario más habitual es el siguiente: un ingeniero ajusta la potencia láser de 250 W a 280 W, la densidad aumenta un 0,3 %, por lo que sigue incrementándola; al llegar a 300 W aparece una cavidad tipo keyhole y debe volver a reducirla. Tras una ronda de más de diez probetas, el resultado es una curva empírica fragmentada que debe rehacerse al cambiar de equipo o de lote de polvo. El problema no es falta de esfuerzo por parte del ingeniero, sino que el método de variar un factor cada vez no puede abordar las interacciones: la potencia y la velocidad de escaneado determinan conjuntamente la densidad de energía volumétrica, mientras que el espesor de capa modifica las condiciones de disipación térmica del baño fundido. Los tres factores están acoplados, y modificar una sola variable cada vez nunca revela el panorama completo.

El diseño de experimentos (Design of Experiments, DoE) proporciona precisamente una ruta de ingeniería para resolver estos problemas de acoplamiento multifactorial: con el menor número posible de probetas, estima simultáneamente los efectos principales, los efectos de interacción y la superficie de respuesta, y genera una ventana de proceso liberable con intervalos de confianza. Este artículo presenta un método completo y ejecutable, orientado al desarrollo de procesos de impresión 3D, desde la selección ortogonal y el modelado de superficie de respuesta hasta la validación de la ventana.

I. Distinguir primero tres tipos de ensayos: selección, modelado y validación

El desarrollo de procesos no puede completarse con un único experimento. Normalmente avanza en tres niveles, cada uno con diferentes objetivos, números de factores y cantidades de probetas.

El primer nivel es el ensayo de selección, cuyo objetivo es identificar de 2 a 4 factores realmente significativos entre 6 y 10 factores candidatos. Los factores típicos incluyen potencia láser, velocidad de escaneado, distancia entre pasadas, espesor de capa, temperatura de precalentamiento, estrategia de escaneado (anchura de franja), ángulo de rotación entre capas y caudal del gas protector. En la etapa de selección, un diseño factorial fraccionado o un diseño Plackett-Burman permite completar el análisis con 8 a 12 ensayos, considerando únicamente dos respuestas generales: densidad y rugosidad superficial.

El segundo nivel es el ensayo de modelado, cuyo objetivo es construir un modelo de superficie de respuesta sobre los 2 o 3 factores clave seleccionados. Se utilizan habitualmente diseños compuestos centrales (CCD) o Box-Behnken. Un CCD de tres factores contiene 6 puntos axiales, 8 puntos factoriales y 6 repeticiones en el punto central, para un total de 20 ensayos. Las respuestas se amplían a cuatro: densidad, resistencia a la tracción, desviación dimensional y rugosidad superficial Ra.

El tercer nivel es el ensayo de validación. Se imprimen repetidamente de 3 a 5 puntos de confirmación dentro de la región óptima predicha por el modelo, verificando que la desviación entre los valores predichos y medidos se mantenga dentro de ±5 %. Tras superar la validación, los límites de la ventana se estrechan un 10 % para definir el rango de parámetros de la ficha de proceso de producción.

II. Ensayos ortogonales: máxima cobertura del espacio con el mínimo de probetas

Cuando el número de factores es reducido y todos tienen el mismo número de niveles, las tablas ortogonales son la opción más económica. Tomando como ejemplo LPBF de acero inoxidable 316L, se estudian tres factores con tres niveles: potencia láser P, velocidad de escaneado v y distancia entre pasadas h. Un diseño factorial completo requeriría 27 ensayos, mientras que una tabla ortogonal L9(3^4) requiere solo 9.

El diseño específico establece P en 200/240/280 W, v en 800/1000/1200 mm/s y h en 0,09/0,11/0,13 mm. Tras organizar los ensayos según L9, se imprime para cada combinación de niveles un conjunto de probetas cúbicas de 10×10×10 mm. La densidad se mide mediante el método de Arquímedes y se registra simultáneamente la rugosidad superficial Ra.

El análisis de rangos permite ordenar rápidamente los factores: se calcula la respuesta media de cada factor en cada nivel y el rango R = máx(respuesta media) − mín(respuesta media). Cuanto mayor sea R, más significativo será el efecto del factor. Si se obtienen R(P)=2,1 %, R(v)=1,4 % y R(h)=0,6 %, el orden de importancia será potencia > velocidad > distancia entre pasadas. Posteriormente se realiza un análisis de varianza (ANOVA) para determinar la significancia mediante una prueba F: los factores con un valor F superior al valor crítico y un valor p inferior a 0,05 pasan a la siguiente ronda de modelado.

La limitación de los ensayos ortogonales es que presuponen ausencia de interacciones entre factores. Si se sospecha un fuerte acoplamiento entre potencia y velocidad —la densidad de energía volumétrica E = P/(v·h·t) es en sí misma una relación multiplicativa—, debe utilizarse un diseño de superficie de respuesta en la etapa de modelado, en lugar de seguir aplicando forzadamente tablas ortogonales.

III. Metodología de superficie de respuesta: de puntos discretos a una superficie continua

El núcleo de la metodología de superficie de respuesta (RSM) consiste en ajustar la relación entre la respuesta y los factores mediante un polinomio cuadrático:

Y = β0 + Σβi·xi + Σβii·xi² + Σβij·xi·xj + ε

El término cruzado βij es la expresión cuantitativa del efecto de interacción. En un diseño CCD, el parámetro clave de un esquema de tres factores es la distancia axial α. Para un diseño rotatable, α = 2^(k/4) = 2^(3/4) ≈ 1,682, donde k es el número de factores. Los puntos axiales se sitúan en ±1,682 en el espacio codificado, los puntos factoriales en ±1 y el punto central se repite 6 veces para estimar el error puro.

Una vez completado el ajuste, deben realizarse tres verificaciones. La primera es la prueba de falta de ajuste (lack-of-fit): un valor p superior a 0,05 indica que no existe una desviación significativa entre la forma del modelo y los datos. La segunda considera el coeficiente de determinación R² y el R² ajustado; su diferencia debe ser inferior a 0,2, de lo contrario podría haber sobreajuste. La tercera es la comprobación de normalidad de los residuos y homogeneidad de varianzas. En mediciones reales es frecuente encontrar un R² de 0,95 pero un R² ajustado de solo 0,86; en ese caso, deben eliminarse los términos cúbicos no significativos y volver a ajustar el modelo.

La optimización multirrespuesta es un reto en impresión 3D: la densidad debe maximizarse, la rugosidad minimizarse y la desviación dimensional aproximarse a cero; estos tres objetivos suelen entrar en conflicto. En ingeniería se emplean funciones de deseabilidad para mapear cada respuesta al intervalo de 0 a 1 y, posteriormente, se calcula la media geométrica para obtener la deseabilidad global D. La combinación de parámetros se determina en el punto que maximiza D. Los pesos se asignan según las prioridades de aceptación del cliente; por ejemplo, para piezas aeroespaciales puede asignarse 0,5 a la densidad, 0,3 a la rugosidad y 0,2 a la desviación dimensional.

IV. Calibración de la ventana de proceso: convertir el punto óptimo en un intervalo liberable

Encontrar el punto óptimo es solo el primer paso; la producción en serie necesita un intervalo. Un método viable consiste en utilizar un gráfico de curvas de nivel superpuestas (overlay contour plot): se trazan las curvas de nivel correspondientes a los umbrales de aceptación de cada respuesta —densidad ≥ 99,5 %, Ra ≤ 12 μm y desviación dimensional ≤ ±0,1 mm— y se toma la región de solapamiento de todas ellas como ventana de proceso.

Una vez definida la ventana, debe dejarse un margen de seguridad. Se recomienda contraer los límites de la ventana un 10 % hacia el interior. Por ejemplo, si el modelo proporciona un intervalo factible de potencia de 235 a 265 W, la ficha de proceso debe indicar de 238 a 262 W. Esto se debe a que las variaciones entre lotes de polvo, los cambios en la pureza del gas protector y la degradación de potencia del sistema óptico pueden desplazar lentamente el punto de operación real. El margen permite aumentar el índice de capacidad del proceso Cpk de 1,0 a más de 1,33.

La validación de la ventana se realiza mediante tres lotes de confirmación: 5 piezas por lote, imprimiendo respectivamente un grupo en el centro de la ventana, otro justo dentro del límite superior y otro justo dentro del límite inferior. Si los tres lotes consecutivos son completamente conformes y el desplazamiento de las medias entre lotes es inferior a un tercio de la desviación estándar de la respuesta, la ventana puede considerarse estable. Los datos de validación deben registrarse también en el historial del proceso como línea de base para la trazabilidad futura.

V. Errores frecuentes y lista de verificación

Error 1: considerar que el número de probetas es la totalidad del coste. En realidad, 9 ensayos ortogonales más 20 ensayos CCD cuestan mucho menos que 30 iteraciones ciegas de un factor a la vez, y además generan un modelo reutilizable.

Error 2: ignorar los efectos de bloque. Si los 20 ensayos CCD se completan durante tres días, los cambios en el estado del equipo, el lote de polvo y la temperatura y humedad ambiental se mezclarán con el residuo. El enfoque correcto es incluir la fecha como factor de bloque en el diseño o programar repeticiones de puntos centrales dentro de los bloques para controlar la deriva.

Error 3: observar únicamente la densidad. Un punto de proceso que alcanza una densidad del 99,5 % no necesariamente cumple los requisitos de propiedades mecánicas, ya que los defectos por falta de fusión pueden subestimarse en la medición de densidad. Se recomienda evaluar al menos la resistencia a la tracción y el alargamiento, complementando, cuando sea necesario, con metalografía microscópica e inspecciones por muestreo mediante CT industrial.

Lista de verificación de ejecución: comprobar si los niveles de los factores cubren el rango en el que el equipo puede funcionar de manera estable; si se han programado repeticiones de puntos centrales para estimar el error puro; si se ha realizado la prueba de falta de ajuste; si los pesos multirrespuesta coinciden con los criterios de aceptación del cliente; si la ventana mantiene un margen del 10 %; y si los lotes de validación cubren los límites de la ventana.

Conclusión

El diseño de experimentos transforma el desarrollo de procesos de impresión 3D, pasando de la prueba y error basada en experiencia a una actividad de ingeniería cuantificable y reproducible: los ensayos ortogonales completan la selección de factores en 9 a 12 pruebas; la metodología de superficie de respuesta establece, con unas 20 pruebas, un modelo cuadrático que incorpora efectos de interacción; las funciones de deseabilidad resuelven conflictos multiobjetivo; y las curvas de nivel superpuestas proporcionan una ventana de proceso liberable con margen de seguridad. Para plataformas de gestión del ciclo de vida completo como lantu3D, que deben avanzar desde el diseño de planos hasta la entrega de piezas físicas, el valor del DoE va más allá del ajuste de parámetros: consolida el conocimiento del proceso en modelos de parámetros consultables, reutilizables y verificables, de modo que cada desarrollo de proceso se convierta en el punto de partida del siguiente, en lugar de comenzar otra vez desde cero.