Un retrabajo por porosidad casi nunca se paga el día que aparece: se paga semanas después, en
el corte metalográfico que confirma el rechazo, en la celda de maquinado que descubre la
burbuja justo en la cara sellante, en el scrap que se acumula en la báscula del turno. En un
mes salieron dos artículos revisados por pares que atacan ese problema desde extremos
distintos — no «qué defectos detecta la simulación» (de eso habla el pillar del blog, cómo la
simulación de fundición a alta presión evita defectos antes de fabricar el
molde), sino qué tan bien diagnostica y
predice la inteligencia artificial cuando se entrena con datos reales de proceso. El primero
entrena un clasificador que diagnostica porosidad en HPDC con F1 de 95.90% y, en un caso
real de producción, bajó la tasa de porosidad de 8.3% a 3%. El segundo entrena una red que
predice el campo de temperatura de solidificación en 0.47 s — con una reserva que esta nota
dice de frente: no confirma que el proceso sea fundición a alta presión.
El caso real: diagnóstico de porosidad con datos de planta
Un equipo de la University of Melbourne, con Nissan (Reino Unido) como socio industrial, atacó
un problema muy concreto del control de calidad en HPDC: los fallos raros —aquí, tipos de
porosidad— tienen pocos ejemplos en los datos de producción, y eso hace difícil entrenar un
clasificador que los distinga bien. Su solución: generar datos sintéticos realistas de esos
fallos con un autoencoder combinado con una red generativa WGAN-GP, y entrenar sobre esos datos
un clasificador XGBoost tradicional. El resultado: F1 de 95.90% diagnosticando
porosidad, superando las líneas base del estudio.
Encima de la clasificación corrieron un análisis de explicabilidad SHAP, que señaló los dos
parámetros de proceso más influyentes en la porosidad: la velocidad promedio de primera
fase (Average Slow Shot Velocity) y el tamaño de galleta (Biscuit Size). No es un dato
abstracto: es una lista de qué tocar. Y trae un caso real detrás — tras los ajustes de proceso
que sugirió ese análisis, la tasa de porosidad de la planta del socio industrial bajó de 8.3%
a 3% (Dahab et al., 18 de mayo de
2026).
Ese 8.3%→3% hay que leerlo con el sesgo pegado en la misma frase: quien pone la planta y el
dato es Nissan, coautor del estudio y parte interesada en que el método funcione. El número de
piezas, la aleación y la planta concreta no constan en lo publicado en abierto.
La reserva: una red que predice temperatura, no HPDC confirmado
El segundo paper, de Tsinghua University y Beijing Jiaotong University, ataca otro cuello de
botella: la simulación numérica tradicional del campo de temperatura durante la solidificación
es lenta y cara de calcular. Su alternativa: una red 3D U-Net entrenada con un dataset
sintético (generado con un simulador propio escrito en Python, no un solver comercial) que
predice el campo de temperatura transitorio a partir de la geometría, el tiempo y los
parámetros termofísicos.
Los números que reporta el abstract: error absoluto medio de 1.99°C; con una tolerancia de
7.5°C, precisión media de 94.73%; correlación media de 0.9998; y 0.47 segundos por
predicción, frente al costo computacional que el propio paper atribuye a los métodos
convencionales. Con esa predicción encima, el equipo probó a anticipar defectos de rechupe, y
dice que la eficacia quedó «preliminarmente verificada mediante pruebas experimentales» — sin
cifra propia para esa parte (Zhao et al., 9 de septiembre de
2026).
Aquí va la reserva completa, no a medias: en ningún punto del abstract aparece «high-pressure
die casting», «HPDC», «die casting», «gravity casting» ni «sand casting». El proceso de colada
no queda confirmado — podría ser fundición a presión, gravedad, arena o molde permanente. Hasta
que el cuerpo del artículo lo aclare, este segundo estudio se cuenta como tendencia de la
IA acelerando la simulación de fundición, nunca como caso de fundición a alta presión.
Qué hacer en tu planta
- Empieza a guardar los datos con disciplina. El diagnóstico con IA del primer paper se
entrenó con datos que la máquina de HPDC ya produce. Si tu planta no está capturando
velocidad de primera fase, tamaño de galleta y presiones de forma sistemática, ese es el
primer paso, antes que cualquier herramienta.
- Revisa si esos dos parámetros están bajo control estadístico. Son justo los que el
análisis SHAP señala como más influyentes en la porosidad.
- Lee el F1 de 95.90% con la cabeza fría. Es el resultado de un estudio con un caso
concreto, no una promesa general para cualquier proceso.
- No confundas el segundo paper con un caso HPDC. Mientras no se confirme el proceso de
colada, es una señal de hacia dónde va la IA aplicada a simulación de fundición, no un
resultado que puedas citar para HPDC.
Ya contamos aparte cómo el 43% de las fundiciones evalúa IA y qué trae PhysicsAI de Simcenter
Inspire — aquello era adopción y producto;
esto es la evidencia académica, revisada por pares, que va detrás. Si quieres revisar contigo
qué dicen tus propios datos de proceso antes de invertir en herramientas nuevas, escríbenos
desde la página de consultoría.
