El Centro Tecnológico CTC y la Universidad de Cantabria están colaborando en el proyecto FUTCAN para impulsar tecnologías innovadoras que transformen la industria de Cantabria. Esta iniciativa incluye tres subproyectos enfocados en la detección temprana de corrosión, optimización del moldeo por inyección de polímeros y desarrollo de herramientas de inteligencia artificial accesibles. Los investigadores están desarrollando recubrimientos sensibles a la corrosión utilizando nanomateriales, mejorando procesos industriales mediante modelos de Machine Learning y creando software que democratiza el acceso a la IA. Este esfuerzo busca mejorar la eficiencia y sostenibilidad en la fabricación industrial en la región.
El Centro Tecnológico CTC y diversos grupos de investigación de la Universidad de Cantabria están llevando a cabo un esfuerzo conjunto para transformar la industria de Cantabria. Este proyecto involucra a los departamentos de Ciencias de la Tierra y Física de la Materia Condensada (CITIMAC), Matemáticas, Estadística y Computación (MATESCO), así como el Laboratorio de Ciencia e Ingeniería de Materiales (LADICIM).
La colaboración se centra en tres subproyectos que abordan temas cruciales como la detección temprana de corrosión, la optimización del moldeo por inyección de polímeros y el desarrollo de herramientas de inteligencia artificial accesibles. Esta iniciativa, que comenzó en noviembre de 2023, está próxima a su finalización y forma parte del proyecto FUTCAN, cuyo objetivo es investigar y validar tecnologías disruptivas que permitan al sector industrial local evolucionar hacia modelos más eficientes, inteligentes y sostenibles.
Los resultados obtenidos hasta ahora han demostrado ser alentadores, lo que resalta la efectividad de los modelos cooperativos y fortalece aún más la relación entre el único centro tecnológico regional y la universidad pública.
Recubrimientos inteligentes para detectar corrosión
Una línea destacada del proyecto se enfoca en el desarrollo de recubrimientos sensibles a cambios en el sustrato donde se aplican. Estos recubrimientos están diseñados específicamente para detectar precozmente la corrosión en acero y otros metales. Para llevar a cabo esta investigación, el CTC ha colaborado con CITIMAC, utilizando nanomateriales conocidos como quantum dots o puntos cuánticos de grafeno. Estos materiales poseen propiedades luminiscentes que responden a variaciones en su entorno al interactuar con otras moléculas.
En particular, estos puntos cuánticos son sensibles al ion hierro liberado durante el proceso corrosivo. Cuando el metal comienza a deteriorarse, el hierro se libera al medio ambiente, provocando que los puntos cuánticos pierdan su luminiscencia. Esta innovación representa un avance significativo para la industria al permitir una detección más rápida y facilitar el mantenimiento preventivo de componentes expuestos a condiciones adversas.
Otra área clave del proyecto se dirige a mejorar el proceso industrial de inyección de polímeros, específicamente poliamida 6 (PA6), un material comúnmente utilizado en sectores como automoción y ferrocarril. La complejidad del proceso radica en que las máquinas industriales permiten ajustar entre 100 y 300 parámetros, muchos de los cuales afectan directamente las propiedades finales del componente producido.
El objetivo principal es desarrollar modelos de Machine Learning que puedan predecir el comportamiento mecánico de componentes fabricados en PA6 según los parámetros utilizados durante la inyección. El grupo investigador del LADICIM ha creado una base de datos experimental mediante la inyección bajo 80 configuraciones distintas, caracterizando mecánicamente los componentes resultantes a través de más de 400 ensayos. Esto ha permitido obtener información detallada sobre cómo las condiciones de fabricación influyen en las prestaciones mecánicas del material.
La tercera línea colaborativa entre CTC y UC dentro del proyecto FUTCAN se centra en desarrollar una herramienta software destinada a crear modelos predictivos accesibles incluso para usuarios sin conocimientos avanzados en aprendizaje automático. La experiencia acumulada por el grupo MATESCO ha sido fundamental para validar la arquitectura diseñada por CTC para integrar machine learning automático mediante grandes Modelos de Lenguaje (LLMs) en una plataforma ‘no code’.
Dicha herramienta democratiza el acceso a la inteligencia artificial, permitiendo entrenar modelos predictivos complejos utilizando lenguaje natural. Actualmente, este sistema está siendo validado en diversos procesos industriales relevantes para el CTC, incluyendo aplicaciones en el sector fotovoltaico.
El proyecto FUTCAN, acrónimo que significa ‘Posicionamiento Estratégico de Especialización Inteligente y Sostenible para las Factorías del FUTuro de CANtabria’, cuenta con cofinanciación del Fondo Europeo de Desarrollo Regional (FEDER) y del Gobierno cántabro. Su finalidad es investigar nuevas metodologías y tecnologías que mejoren tanto la eficiencia como la sostenibilidad en la fabricación industrial, buscando reducir el impacto ambiental asociado con estas actividades en la región.
El proyecto FUTCAN, acrónimo de ‘Posicionamiento Estratégico de Especialización Inteligente y Sostenible para las Factorías del FUTuro de CANtabria’, tiene como objetivo investigar y validar tecnologías disruptivas que permitan al tejido industrial de la región evolucionar hacia modelos de producción más eficientes, inteligentes y sostenibles. Está cofinanciado por el Fondo Europeo de Desarrollo Regional (FEDER) y el Gobierno de Cantabria.
CTC y la Universidad de Cantabria colaboran en tres subproyectos que abarcan: la detección temprana de la corrosión, la optimización del moldeo por inyección de polímeros, y el desarrollo de herramientas de inteligencia artificial accesibles.
Los recubrimientos sensibles a cambios en el sustrato utilizan nanomateriales conocidos como quantum dots de grafeno. Estos puntos cuánticos responden a cambios en su entorno; son sensibles al ion hierro que se libera durante el proceso de corrosión. Cuando el material metálico comienza a degradarse, los puntos cuánticos pierden su luminiscencia, lo que permite una detección temprana.
Se busca desarrollar modelos de Machine Learning que puedan predecir el comportamiento mecánico de componentes fabricados en poliamida 6 (PA6) en función de los parámetros de inyección empleados, optimizando así las propiedades físicas del material y minimizando el tiempo necesario para su uso.
La herramienta permite crear modelos predictivos a usuarios sin conocimientos avanzados en aprendizaje automático. Utiliza grandes Modelos de Lenguaje (LLMs) para traducir el lenguaje natural del operario en código ejecutable, democratizando así el acceso a la inteligencia artificial en procesos industriales.