Detección automatizada de anomalías en la formación de la interfaz de electrolito de estado sólido a través del análisis de microestructuras de aprendizaje profundo

Esta investigación propone una metodología innovadora basada en aprendizaje profundo para la detección en tiempo real de anomalías durante la formación de la interfaz de electrolito sólido en procesos de sinterización por plasma de chispa, una tarea crítica para baterías de estado sólido de alto rendimiento. Analizando imágenes de microestructura de alta resolución capturadas in situ, el sistema identifica desviaciones en el crecimiento granular y la morfología de la interfaz, permitiendo ajustes inmediatos del proceso y reduciendo defectos de fabricación, con impacto directo en la vida útil y el rendimiento de las baterías destinadas a vehículos eléctricos y almacenamiento de red.

El problema que abordamos es claro: la región interfacial entre el electrolito de estado sólido y el material del electrodo determina la conductividad iónica y la resistencia interfacial. La sinterización por plasma de chispa es una técnica habitual para fabricar componentes de baterías sólidas, pero su dinámica compleja provoca variabilidad y defectos como crecimiento granular heterogéneo, poros interfaciales o reacciones químicas indeseadas. Los controles de calidad actuales son mayoritariamente offline, retardando la optimización del proceso y aumentando desperdicios.

Nuestra solución combina redes neuronales convolucionales profundas con un flujo de trabajo diseñado para operar en tiempo real. Un modelo de segmentación tipo U-Net modificado extrae la región de interfaz y características microestructurales claves como tamaño y forma de grano, densidad de poros y área interfacial. Sobre esos mapas de segmentación un autoencoder aprende la distribución normal para que la diferencia de reconstrucción actúe como puntaje de anomalía, y un algoritmo Isolation Forest refina la detección aislando valores atípicos en el espacio de puntajes.

En el diseño experimental las imágenes se capturan con un microscopio óptico de alta resolución integrado en el equipo de sinterización, registrando fotogramas a intervalos durante el proceso mientras se monitorizan parámetros como temperatura, presión, tiempo de permanencia y velocidad de calentamiento. Se generará un conjunto de datos de más de 10 000 imágenes bajo condiciones normales y un subconjunto controlado de condiciones anómalas inducidas deliberadamente para crear defectos específicos validados posteriormente por SEM y tomografía por rayos X.

El entrenamiento de la U-Net utiliza optimización Adam con tasa de aprendizaje inicial 0.001 y batch size 32, empleando entropía cruzada como función de pérdida para la segmentación. La búsqueda de hiperparámetros se realiza mediante optimización bayesiana. El autoencoder calcula el error de reconstrucción e = ||x - y||²/2 como medida de anomalía, y la Isolation Forest evalúa la probabilidad de outlier mediante la longitud media de ruta en árboles aleatorios, de forma que combinando ambos criterios se obtienen detecciones robustas y explicables.

La validación se realiza con un conjunto de pruebas excluido del entrenamiento y que incluye métricas estándar: accuracy, precision, recall y F1-score. Además de métricas globales, se analizan curvas ROC y distribuciones de error para ajustar umbrales operativos que minimicen falsos negativos en planta. Un prototipo integrado puede advertir al operador y activar reglas de control que modifiquen parámetros SPS para corregir tendencias defectuosas antes de completar el ciclo.

En términos de escalabilidad contemplamos una hoja de ruta pragmática: a corto plazo integrar el sistema en una línea piloto de producción de baterías sólidas; a medio plazo ofrecer una plataforma cloud para análisis de datos y modelos compartibles que permita transfer learning entre distintas combinaciones de electrodo y electrolito; y a largo plazo fusionar datos de sensores adicionales y control cerrado para ajuste automático de parámetros, con exploración de técnicas de aprendizaje por refuerzo para optimizar microestructuras objetivo en tiempo real.

Q2BSTUDIO participa activamente en esta transformación digital del sector energético aportando experiencia en desarrollo de software a medida, aplicaciones a medida y soluciones de inteligencia artificial diseñadas para la industria. Nuestro equipo de especialistas en ia para empresas crea agentes IA y sistemas integrables que permiten vigilancia continua de procesos y decisiones basadas en datos. Además ofrecemos servicios cloud aws y azure para despliegue escalable y seguro de modelos, y garantizamos prácticas robustas de ciberseguridad en todas las integraciones.

Si desea conocer cómo adaptar un sistema de inspección inteligente a su línea de producción, explore nuestras soluciones de inteligencia artificial en servicios de inteligencia artificial para empresas o consulte nuestras opciones de despliegue en la nube en servicios cloud aws y azure. Q2BSTUDIO también ofrece servicios de inteligencia de negocio y Power BI para analizar tendencias de calidad, así como servicios de ciberseguridad y pentesting que protegen la integridad de datos y modelos en producción.

Palabras clave integradas para facilitar el posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi. Con un enfoque práctico y probado, nuestra propuesta reduce defectos, acelera la puesta en mercado y contribuye a la fabricación de baterías de estado sólido más fiables, seguras y eficientes.

Para más información sobre proyectos a medida y colaboraciones industriales, el equipo de Q2BSTUDIO está disponible para evaluar pruebas de concepto, integraciones en planta y desarrollo de soluciones llave en mano que combinen visión por computador, analítica avanzada y automatización de procesos.