Este estudio presenta un enfoque novedoso para predecir la vida útil a fatiga de ruedas de aleación de magnesio mediante un marco de aprendizaje profundo multimodal. La propuesta integra análisis espectral de datos de vibración, análisis de imágenes microscópicas de la microestructura del material y resultados de simulaciones por elementos finitos FEA para lograr predicciones más precisas y detección temprana de la iniciación de grietas, reduciendo así riesgos de seguridad y costes de fabricación.
Las ruedas de aleación de magnesio, cada vez más utilizadas en sectores automotriz y aeroespacial por su baja densidad, propiedades de amortiguación y acabado estético, presentan una mayor sensibilidad a la fatiga frente a aleaciones tradicionales. Los métodos clásicos basados en curvas S-N y fórmulas empíricas no capturan con fiabilidad la complejidad de condiciones reales de carga ni las heterogeneidades microestructurales. Este trabajo aborda esas limitaciones combinando múltiples fuentes de datos para obtener un diagnóstico integral del proceso de fatiga.
Método: el sistema consta de cuatro etapas principales: adquisición de datos, extracción de características, entrenamiento del modelo profundo y predicción de vida a fatiga. En la fase de adquisición se realizaron ensayos de fatiga siguiendo la norma ASTM E466, aplicando cargas cíclicas a distintas frecuencias y amplitudes. Se registraron señales de vibración con acelerómetros, se tomaron imágenes microscópicas por microscopía electrónica antes y después de la falla para caracterizar la microestructura, y se ejecutaron simulaciones FEA para obtener distribuciones de tensión, factores de concentración y la historia de deformación en zonas críticas.
Extracción de características: para cada modalidad se emplearon redes neuronales profundas especializadas. Un 1D-CNN procesa espectros obtenidos por FFT de las señales de vibración para extraer picos característicos, ancho de banda y ratios energéticos indicativos de daño incipiente. Un 2D-CNN analiza imágenes microestructurales para cuantificar tamaño y forma de granos, presencia de precipitados y defectos mediante mapas texturales. Un FCNN procesa los vectores derivados de FEA que contienen valores de von Mises, factores de concentración y trayectorias de tensión y deformación. Las salidas Fs, Fi y Ff de cada extractor se concatenan formando un vector combinado.
Modelo profundo: la fusión de características alimenta una red LSTM que modela la evolución temporal del daño a lo largo de los ciclos de carga, capturando la dinámica de iniciación y propagación de grietas. La salida final de la LSTM pasa por una capa densa que realiza la regresión de la vida restante. El entrenamiento optimiza el error cuadrático medio MSE y se evalúa con métricas como RMSE y R-squared para medir precisión y ajuste.
Diseño experimental y análisis de datos: los datos se preprocesaron integrando espectros, imágenes y resultados FEA. Se aplicaron técnicas de selección de variables, por ejemplo Recursive Feature Elimination, para identificar las características más relevantes y reducir ruido. El modelo se capacitó por retropropagación y validó en un conjunto independiente para asegurar generalización.
Resultados principales: el modelo multimodal mejoró de forma notable la predicción frente a métodos tradicionales basados en S-N, reduciendo el RMSE alrededor de 12 por ciento. La combinación de modalidades permitió detectar cambios sutiles en espectros de vibración y señales microestructurales antes de que fueran evidentes con análisis convencionales, facilitando intervenciones preventivas y optimización de diseño para mayor durabilidad.
Verificación y métricas de confianza: además de métricas estándar se propuso una puntuación compuesta HyperScore que integra la predicción y la dispersión de las estimaciones para evaluar la fiabilidad. En un caso de referencia dicha puntuación arrojó aproximadamente 93.4 puntos con parámetros seleccionados, indicando alta confianza en las predicciones del sistema.
Contribuciones y ventajas prácticas: la principal aportación técnica es la integración coherente de datos espectrales, microestructurales y de simulación en un único marco de aprendizaje profundo, lo que permite razonar sobre la causa y efecto del daño por fatiga. Esta aproximación es aplicable a programas de mantenimiento predictivo en aeronáutica y automoción, a la mejora de procesos de fabricación para reducir defectos y a la definición de geometrías de rueda optimizadas para mayor vida útil.
Futuro y despliegue industrial: las siguientes líneas de trabajo incluyen incorporar medidas de temperatura y ambientes reales, explotar información 3D de micrografías y simulaciones FEA de orden superior, y desplegar sistemas de monitorización en tiempo real en nube para análisis continuo. El uso de plataformas escalables y seguras permite integrar la solución con servicios cloud y pipelines de datos para mantenimiento predictivo y analítica avanzada.
Sobre Q2BSTUDIO: en Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad y soluciones en la nube. Desarrollamos productos y servicios a medida que incluyen desde la creación de modelos de IA para empresas hasta despliegues seguros en servicios cloud aws y azure. Si busca potenciar proyectos de aprendizaje profundo multimodal o integrar monitorización en tiempo real, descubra nuestras capacidades en soluciones de inteligencia artificial y explore cómo adaptamos cada proyecto con software a medida y aplicaciones a medida para necesidades industriales.
Servicios complementarios: ofrecemos servicios de ciberseguridad y pentesting para proteger pipelines de datos y modelos, integración de servicios inteligencia de negocio y Power BI para visualización y toma de decisiones, así como diseño de agentes IA para automatización y agentes IA conversacionales integrados en procesos. Palabras clave que describen nuestra oferta: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
Conclusión: el enfoque multimodal descrito demuestra un avance significativo en la predicción de la vida útil a fatiga de ruedas de magnesio, ofreciendo mayor precisión, detección temprana y capacidad de integración en flujos industriales. Q2BSTUDIO acompaña a empresas en la adopción de estas tecnologías, desde el desarrollo de modelos personalizados hasta su despliegue seguro en la nube, habilitando soluciones prácticas que mejoran la seguridad, reducen costos y optimizan la gestión del ciclo de vida de componentes críticos.
