Investigadores de EE. UU. usan IA para imprimir una aleación de cohetes con impresoras 3D comerciales de solo 500 W
- 🤖 IA frente a más de 100 millones de configuraciones posibles.
- 🚀 GRCop-42, aleación desarrollada por la NASA.
- 🔬 Solo 40 experimentos físicos.
- ✅ Seis configuraciones de impresión exitosas.
- ⚡ Primera impresión conseguida con 500 W.
- 🏭 Equipos comerciales frente a maquinaria especializada.
- ♻️ Menos pruebas fallidas, material desperdiciado y energía.
¿Por qué importa?
La fabricación de materiales aeroespaciales mediante impresión 3D suele exigir equipos caros, mucha energía y una enorme cantidad de pruebas hasta encontrar los parámetros adecuados. Investigadores de la Universidad Estatal de Washington (WSU) han demostrado que la inteligencia artificial puede recortar radicalmente ese proceso experimental.
El resultado va bastante más allá de fabricar una pieza para un cohete. El método permite buscar, entre millones de posibilidades, aquellas condiciones de fabricación que realmente merece la pena probar. Menos ensayo y error significa menos metal desperdiciado, menos horas de máquina y menos consumo energético durante el desarrollo.
Un metal pensado para trabajar donde casi todo falla
El protagonista del trabajo es GRCop-42, una aleación basada en cobre, cromo y niobio desarrollada originalmente por la NASA para aplicaciones sometidas a flujos térmicos extremos.
Su composición nominal es Cu-4 at.% Cr-2 at.% Nb. Dicho de una manera mucho más sencilla: mantiene buena parte de la extraordinaria capacidad del cobre para transportar calor, mientras gana resistencia mecánica a temperaturas elevadas.
Es una combinación especialmente interesante en las cámaras de combustión de motores cohete refrigeradas internamente. En ellas, las paredes soportan temperaturas extremas mientras el propelente circula por pequeños canales internos para extraer calor.
La NASA lleva años desarrollando GRCop-42 mediante fabricación aditiva. Una de sus ventajas es precisamente la posibilidad de imprimir geometrías internas de refrigeración muy difíciles de conseguir mediante fabricación convencional.
El problema estaba en otro sitio: imprimir bien este material no resulta fácil.
Más de 100 millones de posibilidades y ninguna forma sensata de probarlas todas
Una impresora 3D metálica no funciona simplemente introduciendo un archivo y pulsando un botón.
La potencia del láser, su velocidad, la cantidad de material depositado y otros parámetros modifican la forma en la que el metal se funde y solidifica. Una combinación puede generar una pieza correcta. Otra aparentemente similar puede producir defectos o directamente fundir de manera incontrolada la estructura.
Para GRCop-42, el espacio estudiado contenía más de 100 millones de configuraciones posibles.
Probarlas experimentalmente resultaría absurdo. Cada ensayo consume polvo metálico, energía, tiempo de utilización de equipos y trabajo especializado. Además, comprobar posteriormente la calidad de una muestra puede requerir varios días.
Ahí aparece la parte realmente interesante del trabajo: utilizar IA no para sustituir el experimento físico, para decidir qué experimentos merece la pena realizar.
La IA también aprende cuando una impresión sale mal
El equipo partió de algo que, a primera vista, parecía poco prometedor: 37 configuraciones que anteriormente habían fracasado.
Esos errores tenían valor.
Los investigadores construyeron un modelo capaz de estimar la probabilidad de que una configuración todavía no ensayada produjera una impresión válida. Después, el sistema fue seleccionando pequeños grupos de experimentos.
La estrategia mantenía un equilibrio importante. Parte de las pruebas exploraban las configuraciones que parecían tener mayor probabilidad de funcionar. Otras se dirigían hacia zonas donde existía mayor incertidumbre.
Cada nueva impresión, correcta o fallida, aportaba información al modelo.
Es una forma bastante distinta de investigar materiales. En vez de realizar cientos o miles de ensayos siguiendo una cuadrícula predeterminada de parámetros, cada experimento condiciona inteligentemente cuál debería ser el siguiente.
Seis aciertos en solo 40 experimentos
Durante aproximadamente tres meses, el equipo limitó el proceso a un presupuesto experimental de 40 pruebas físicas.
Encontró seis configuraciones capaces de producir correctamente GRCop-42 utilizando diferentes niveles de potencia.
El resultado más llamativo llegó con una impresión realizada a 500 W, algo que el equipo consiguió por primera vez con esta aleación.
La potencia importa bastante.
Según los investigadores, alrededor del 90 % de las impresoras comerciales no pueden trabajar con GRCop-42 utilizando los parámetros de alta potencia que normalmente requiere el material. Encontrar configuraciones compatibles con láseres infrarrojos más accesibles abre la puerta a trabajar con la aleación utilizando una infraestructura menos especializada.
Universidades, pequeños laboratorios y determinadas empresas podrían investigar materiales de este tipo sin necesitar las máquinas más potentes del mercado.
De fabricar cohetes a optimizar materiales industriales
El verdadero alcance del estudio podría estar en el método, no únicamente en GRCop-42.
La misma estrategia puede adaptarse a otros procesos donde existen muchas variables, experimentos caros y muy pocas combinaciones satisfactorias.
La fabricación aditiva metálica encaja perfectamente en esa descripción.
Una aleación diferente implica volver a ajustar velocidades, temperaturas, potencia, deposición y numerosas variables adicionales. Incluso cambiar de máquina puede exigir nuevas calibraciones.
La IA puede actuar aquí como una especie de filtro experimental. En lugar de buscar exhaustivamente, identifica las regiones del enorme espacio de posibilidades donde existen mayores probabilidades de encontrar una solución viable.
Ya existen otros proyectos siguiendo caminos relacionados. En Europa, por ejemplo, InShaPe trabaja en impresión 3D metálica mediante control inteligente del láser y monitorización del proceso. La tendencia es clara: la fabricación aditiva empieza a combinar materiales avanzados, sensores e inteligencia artificial para reducir el ensayo y error.
Fabricar cerca de donde se necesita
Existe otra consecuencia menos evidente.
Si materiales avanzados pueden procesarse mediante equipos más comunes, parte de su fabricación podría distribuirse entre más centros. En determinados sectores eso permitiría producir componentes o repuestos más cerca del lugar donde se utilizan, siempre que exista certificación suficiente.
La fabricación bajo demanda también puede reducir inventarios y evitar fabricar determinadas piezas que finalmente nunca llegan a utilizarse.
En el sector aeroespacial la transición será lenta. Una cámara de combustión no puede pasar directamente del laboratorio a un cohete operativo. Cada modificación del proceso necesita caracterización del material, ensayos mecánicos, análisis de defectos y validaciones bajo condiciones reales.
La NASA conoce bien este camino. Sus programas de fabricación aditiva llevan años sometiendo cámaras fabricadas con GRCop-42 a pruebas térmicas y encendidos de motores precisamente para demostrar repetibilidad y fiabilidad.
No se trata de sustituir al investigador
El trabajo también ofrece una lectura interesante sobre el uso de IA en ciencia.
El algoritmo no decidió por sí mismo si una pieza era segura ni sustituyó las pruebas físicas. Seleccionó los experimentos con mayor valor informativo.
Después fueron investigadores y especialistas en materiales quienes fabricaron y analizaron las muestras.
Este modelo híbrido puede resultar especialmente útil en investigación energética y ambiental: baterías, catalizadores, electrolizadores, nuevos materiales fotovoltaicos o aleaciones con menor contenido de elementos críticos presentan espacios de búsqueda enormes.
En todos ellos existe el mismo cuello de botella. Hay muchas combinaciones teóricamente posibles y relativamente pocos experimentos que pueden realizarse con tiempo y presupuesto razonables.
Ahorrar experimentos puede terminar siendo tan importante como acelerar los ordenadores.
Ficha técnica
Cómo funciona
El sistema utiliza diseño experimental adaptativo guiado por inteligencia artificial. A partir de experimentos anteriores construye un modelo aproximado del proceso y calcula qué nuevas configuraciones merece la pena probar. Las muestras se fabrican físicamente, sus resultados regresan al modelo y la siguiente ronda se selecciona utilizando la información acumulada.
En cifras
- Más de 100 millones de configuraciones potenciales en el espacio de búsqueda.
- 37 experimentos fallidos utilizados como información inicial.
- 40 nuevos experimentos físicos como presupuesto máximo de búsqueda.
- 6 configuraciones viables encontradas.
- 500 W de potencia láser en la configuración de menor potencia destacada por los investigadores.
- Aproximadamente 3 meses para desarrollar la campaña experimental.
Qué tiene de diferente
La innovación principal no es GRCop-42, material desarrollado anteriormente por la NASA. Tampoco consiste simplemente en utilizar una impresora 3D.
La diferencia está en aplicar IA para seleccionar de forma adaptativa los parámetros que deben probarse físicamente, reduciendo drásticamente una búsqueda experimental que mediante fuerza bruta sería impracticable.
Comparación directa con la tecnología convencional
Enfoque convencional: especialistas seleccionan parámetros, imprimen muestras, analizan resultados y modifican las condiciones mediante experiencia y ensayo y error.
Enfoque desarrollado por WSU: un modelo aprende continuamente de los experimentos anteriores y selecciona las siguientes pruebas buscando simultáneamente configuraciones prometedoras e información nueva.
La fabricación física continúa siendo necesaria en ambos casos. Lo que cambia es cómo se decide qué fabricar.
Limitaciones
El estudio demuestra la viabilidad del método en GRCop-42, pero no demuestra todavía una producción industrial masiva.
Encontrar parámetros que producen muestras sin defectos visibles tampoco equivale automáticamente a certificar componentes aeroespaciales completos.
Será necesario estudiar repetibilidad entre máquinas, propiedades mecánicas, comportamiento a fatiga, microestructura, estabilidad térmica y fabricación de geometrías complejas.
Tampoco se ha publicado en este trabajo un análisis de ciclo de vida que permita cuantificar el ahorro energético o de CO₂ respecto a métodos convencionales.
Y existe otra limitación importante: cada nuevo material, máquina o proceso puede requerir nuevos datos experimentales y una nueva fase de aprendizaje.
En qué fase se encuentra
Laboratorio / demostración experimental.
El método de optimización mediante IA se ha probado físicamente con GRCop-42 y ha conseguido producir configuraciones viables. No representa todavía un proceso comercial certificado para fabricar componentes aeroespaciales operativos.
Quién está detrás
El trabajo está liderado por investigadores de la Washington State University (WSU), Estados Unidos, pertenecientes a las áreas de informática, ingeniería eléctrica, ingeniería mecánica y ciencia de materiales.
Participaron Azza Fadhel, Nathaniel W. Zuckschwerdt, Susmita Bose, Amit Bandyopadhyay y Jana Doppa, junto con Aryan Deshwal, de la University of Minnesota Twin Cities.
GRCop-42, por su parte, es una aleación desarrollada originalmente por la NASA para aplicaciones sometidas a altas cargas térmicas.
Fuente de los datos
Los resultados proceden del paper científico “Discovery of Feasible 3D Printing Configurations for Metal Alloys via AI-Driven Adaptive Experimental Design”, publicado en 2026 en Proceedings of the AAAI Conference on Artificial Intelligence.
La información sobre composición, desarrollo y aplicaciones aeroespaciales de GRCop-42 está documentada adicionalmente por la NASA, que lleva años investigando esta familia de aleaciones de cobre, cromo y niobio para sistemas de propulsión.
Más información: Azza Fadhel et al., Descubrimiento de configuraciones factibles de impresión 3D para aleaciones metálicas mediante diseño experimental adaptativo impulsado por IA, Actas de la Conferencia AAAI sobre Inteligencia Artificial (2026).
DOI: 10.1609/aaai.v40i47.41428
Deja una respuesta