Redes Neuronales Explicables Para el Modelado de Propiedades Mecánicas de Piezas Impresas en 3D Mediante FDM

Resumen

Este artículo presenta una metodología completa para predecir propiedades mecánicas clave, como la resistencia a la tracción y la elongación, de piezas 3D impresas con la técnica FDM, mediante el desarrollo de un modelo de aprendizaje automático explicable basado en redes neuronales multisalida. Este estudio considera hasta ocho parámetros de impresión, como son la altura de capa, el patrón y la densidad de relleno, la velocidad de impresión, la velocidad de enfriamiento, la retractación, el material y la temperatura de la cama. A través del DoE, se ha generado un conjunto de experimentos reducido, pero representativo, permitiendo al modelo identificar las relaciones existentes con solo 50 muestras. El modelo alcanza un buen rendimiento, con valores de R² superiores a 0.93 y errores relativos bajos (MAE < 5.3 %, RMSE < 6.3 %, MAPE < 7.54 %) en ambas salidas, lo que garantiza predicciones fiables y buena capacidad de generalización. Mediante técnicas de inteligencia artificial explicable (XAI) basadas en valores SHAP, se han identificado los parámetros más influyentes. La densidad de relleno y el tipo de material son los factores más determinantes en la predicción de resistencia a la tracción. Mientras que, la altura de capa, el tipo de material, la densidad de relleno y el patrón de relleno son esenciales para el ajuste de la elongación. Este enfoque mejora la impresión FDM de dispositivos médicos y facilita futuras optimizaciones, reduciendo tiempo y recursos en el ajuste de parámetros.