El laboratorio Oak Ridge crea un sistema que corrige los errores de la impresión 3D en tiempo real, sin humano y sin reentrenar el algoritmo

La impresión 3D a gran escala —piezas del tamaño de una viga, un parachoques o una sección de fuselaje— tiene un problema que la diferencia fundamentalmente de la impresión en escritorio: las variables son tantas y tan sensibles que una pequeña desviación de temperatura en el nozzle puede arruinar horas de trabajo y kilos de material compuesto. Hasta ahora, eso requería supervisión humana constante o detener el proceso para comprobaciones periódicas.

Investigadores del Laboratorio Nacional Oak Ridge (ORNL), dependiente del Departamento de Energía de Estados Unidos (DOE), publicaron el 21 de mayo de 2026 un sistema que cierra ese bucle de forma automática: un controlador que detecta desviaciones de temperatura en tiempo real a través de cámaras termales de bajo coste, interpreta las imágenes con visión por computador (una forma de inteligencia artificial que permite a las máquinas interpretar imágenes), y ajusta la velocidad de impresión para que cada capa se enfríe a la temperatura correcta antes de que se deposite la siguiente.

Lo relata Georgina Jedikovska en Interesting Engineering el 22 de mayo de 2026 a partir del comunicado oficial del DOE/ORNL.

El problema que resuelve: el equilibrio térmico en fabricación aditiva de gran formato

La fabricación aditiva de gran área —llamada también big-area additive manufacturing o BAAM— dirige plástico compuesto calentado a través de una boquilla robótica que deposita capas sucesivas para construir objetos de grandes dimensiones. Las piezas de ejemplo típicas son paredes para la industria de la construcción, alas de aeronave y parachoques de automóvil.

La temperatura es el parámetro crítico. Cada capa debe estar lo suficientemente caliente como para adherirse a la capa anterior, pero lo suficientemente fría como para mantener su forma antes de que llegue la siguiente. Demasiado calor: las capas no se definen bien y la pieza pierde precisión. Demasiado frío entre capas: la adhesión es deficiente y la pieza puede delaminarse bajo carga. El margen de tolerancia es estrecho y depende del material, la geometría de la pieza y las condiciones ambientales de la sala.

Hasta ahora, ese equilibrio requería o bien operarios monitorizando el proceso de forma continua, o bien sistemas de control fijos que había que recalibrar para cada nuevo diseño o material. Ambas opciones son caras y limitan la flexibilidad de la fabricación.

Cómo funciona el sistema de ORNL

El equipo, liderado por investigadores de ORNL con colaboración de la Universidad de Purdue y con contribuciones de Katie Copenhaver y Alex Roschli, diseñó un controlador compuesto de dos elementos principales:

Sensores estándar que rastrean la posición de la boquilla robótica, la velocidad de impresión y la temperatura del plástico siendo depositado.

Un anillo de cámaras termales de bajo coste montadas alrededor de la boquilla, apuntando al material que acaba de ser depositado. Estas cámaras capturan imágenes infrarrojas en tiempo real del perfil de enfriamiento de cada capa.

La visión por computador —el componente de inteligencia artificial del sistema— analiza esas imágenes térmicas para identificar la localización y temperatura del material caliente en el vídeo en directo. Si el controlador detecta una desviación respecto a la temperatura objetivo (demasiado calor o demasiado frío en una zona específica), ajusta automáticamente la velocidad de la impresora para que el material llegue a la temperatura correcta antes de que se deposite la capa siguiente.

El elemento más valioso del sistema es lo que no hace falta: no necesita ser reentrenado para cada diseño nuevo. El investigador responsable, identificado como Villez en los materiales del ORNL, explica que el controlador «está diseñado para funcionar con cualquier impresora de gran área, cualquier tipo de plástico y cualquier forma, sin reentrenamiento». Eso es lo que lo hace diferente de muchos sistemas de control adaptativo que existen en la literatura: su generalización.

El sistema incorpora además un gemelo digital (digital twin) —una réplica virtual del proceso físico de impresión construida con machine learning— que permite hacer experimentos de riesgo cero con nuevas formas y materiales antes de ejecutarlos en la máquina real.

Por qué importa esto para la industria manufacturera

La fabricación aditiva de gran formato tiene un potencial enorme en sectores donde las piezas son grandes, personalizadas y producidas en volúmenes bajos: defensa, aeroespacial, construcción modular, automoción de alta gama. El cuello de botella ha sido siempre la calidad: las piezas impresas en polímero compuesto tienen propiedades mecánicas inferiores a las mecanizadas por métodos convencionales, en parte precisamente por los defectos de adhesión que este sistema busca eliminar.

Un proceso de impresión que se autocorrige reduce el desperdicio de material —nada trivial cuando se habla de compuestos de fibra de carbono o polímeros especiales que cuestan cientos de euros por kilo—, acorta los tiempos de inspección post-proceso, y permite producir piezas más complejas con menor intervención humana. Para la manufactura estadounidense, el DOE lo enmarca explícitamente como una ventaja competitiva frente a la producción asiática de piezas de gran formato.

Mi valoración

Tras dos décadas cubriendo avances en fabricación digital, la hoja de ruta de la impresión 3D me parece ahora más clara que nunca: la primera fase fue demostrar que la tecnología funcionaba, la segunda fue acelerar la velocidad y mejorar los materiales, y la tercera —en la que claramente estamos— es cerrar el bucle de calidad con sistemas de control inteligentes.