El laminado es uno de los procesos más antiguos y a la vez más delicados de la industria del acero. Consiste en ir reduciendo progresivamente el espesor de una pieza metálica haciéndola pasar entre rodillos que la comprimen con fuerzas cuidadosamente controladas. El resultado, en apariencia, es una banda cada vez más fina y uniforme. Pero ese proceso deja una huella oculta: tensiones internas que condicionan la forma final de la pieza y que determinan lo que en la industria se conoce como planitud, es decir, lo cerca o lejos que está la banda de comportarse como un plano perfectamente liso.
El problema es que esas tensiones actúan como un disfraz. Mientras la banda avanza estirada por los rodillos, las pequeñas ondulaciones de su superficie quedan disimuladas por la propia tracción longitudinal. Esto significa que una banda puede parecer perfectamente plana durante el laminado y, sin embargo, en cuanto se libera de esa tensión y regresa a su estado de reposo, mostrar ondulaciones que superan los límites de calidad exigidos. Es un poco como estirar una sábana arrugada: mientras tira de ella no se ven los pliegues, pero en cuanto la sueltas, reaparecen.
Este fenómeno plantea un reto muy concreto para la industria: ¿cómo saber, mientras la banda todavía está bajo tensión y circulando a toda velocidad por la línea de producción, cuál será su planitud real una vez en reposo? Resolver esa pregunta en tiempo real es exactamente lo que se han propuesto los investigadores del Departamento de Informática de la Universidad de Oviedo.
Fibras, ondulaciones y un índice llamado I-units
Para entender la solución, primero hay que entender cómo se mide la planitud. Los ingenieros no observan la banda como una superficie continua, sino como un conjunto de fibras longitudinales, líneas imaginarias que recorren la banda en la dirección del laminado. En una banda perfectamente plana, todas esas fibras tendrían exactamente la misma longitud. Cuando hay diferencias entre ellas, aparecen las ondulaciones: una fibra «más larga de lo que le corresponde» no tiene más remedio que arquearse para caber en el mismo espacio, generando esos picos y valles característicos de los defectos de planitud.
Esas diferencias de longitud se cuantifican mediante un índice llamado I-units, que compara la longitud de cada fibra con una longitud de referencia (la fibra más corta, o el promedio de todas). Cuanto mayor es esa diferencia, peor es la planitud en ese punto concreto de la banda.
El problema práctico es que, durante el laminado, solo se puede medir la amplitud de las fibras mientras la banda está bajo tensión, pasando por un rodillo sensor. La planitud real, la que importa para la calidad del producto, es la que aparece cuando esa tensión desaparece, y esa no se puede medir directamente en la línea de producción.
Un modelo que aprende a «quitarle la tensión» a los datos
La solución que proponen los investigadores no es un simple modelo predictivo, sino lo que en inteligencia artificial se conoce como un modelo generativo condicionado: una arquitectura entrenada no para inventar datos nuevos parecidos a los de entrenamiento, sino para transformar de forma determinista un dato de entrada concreto en un objetivo específico. En este caso, ese objetivo es la forma que tendrá cada fibra de acero una vez liberada de tensión.
El modelo, bautizado como TC-VQ-VAE (Target-Conditioned Vector-Quantized Variational Autoencoder), toma como entrada la geometría de la fibra medida bajo tensión y la codifica en lo que se llama un espacio latente discreto, una especie de representación comprimida donde se capturan tanto los rasgos generales de la fibra como sus detalles más locales. A esa información se le añaden parámetros físicos del proceso, como la fuerza remota aplicada y las dimensiones de la banda, para que el modelo tenga contexto suficiente sobre las condiciones concretas del laminado. Con todo ello, el modelo reconstruye en la salida cómo será esa misma fibra cuando la tensión desaparezca.
Para lograr que esa reconstrucción sea fiel tanto en su forma global como en sus detalles más finos, el entrenamiento combina varias funciones de pérdida a la vez: una que garantiza fidelidad con la fibra objetivo, otra que da consistencia al espacio latente, una pérdida adversarial que mejora el realismo de la reconstrucción, y una pérdida perceptual basada en la técnica LPIPS, pensada para capturar diferencias estructurales y de textura que otras métricas más simples pasarían por alto.
Datos de una acería real, generados con simulaciones de elementos finitos
Entrenar un modelo así exige disponer de ejemplos de cómo es la misma banda de acero bajo tensión y en reposo, algo que en la práctica industrial no se puede medir simultáneamente. Por eso, el equipo construyó un conjunto de datos basado en información real de una acería, combinado con simulaciones de elementos finitos (FEM) que calculan, con un modelo físico validado en planta, cuál sería la geometría de cada fibra una vez libre de tensión.
Dado que las bandas analizadas miden hasta 10 metros de largo por 1,5 metros de ancho, con un espesor muy pequeño en comparación, el equipo optó por un análisis unidimensional: cada fibra se representa mediante 500 puntos a lo largo de su longitud, conectados mediante elementos tipo viga, con las condiciones de contorno ajustadas para evitar comportamientos irreales, como el pandeo, que no ocurren en la banda real cuando se libera la tensión. Aunque este modelo FEM ofrece una referencia física fiable, tiene un problema evidente: es demasiado lento para usarse en tiempo real durante la producción, ya que tarda aproximadamente 47 segundos en calcular una sola fibra.
Precisión superior y una velocidad miles de veces mayor
Para comprobar si el TC-VQ-VAE realmente merecía la pena, los investigadores lo compararon con varias arquitecturas de referencia habituales en el procesamiento de secuencias y la generación de señales: una red LSTM, una red generativa adversarial (DCGAN), un modelo llamado SIG2SIG y un modelo de difusión (DDPM), además de una variante ruidosa de este último.
Los resultados, evaluados con métricas como el error cuadrático medio, el error absoluto medio normalizado (NMAE) y el coeficiente de determinación (R²), muestran diferencias notables. La red LSTM obtuvo un R² negativo, señal de que apenas lograba capturar la relación entre la fibra bajo tensión y su estado libre de tensión. DCGAN mejoró ligeramente ese resultado, pero seguía mostrando errores considerables. SIG2SIG redujo el error de forma notable, con un NMAE del 0,98% y un R² de 0,43. El modelo de difusión DDPM fue el rival más serio, con un NMAE del 0,70% y un R² de 0,71, mostrando buena fidelidad y coherencia física.
El TC-VQ-VAE propuesto por el equipo superó a todos ellos: un error absoluto medio normalizado de apenas el 0,37% y un coeficiente de determinación de 0,83, la mejor cifra de todo el estudio en ambas métricas, así como en el resto de indicadores de error evaluados (MSE, RMSE y MAE).
De la fibra individual a la banda completa, en tiempo real
Más allá de predecir fibras sueltas, el objetivo final del trabajo era reconstruir la banda completa en tres dimensiones y calcular su planitud real, tanto de forma global como en distintas zonas de la superficie. Con las predicciones del modelo, los investigadores lograron reconstruir bandas de hasta 200 metros de largo, observando que la altura de la banda sin tensión es mayor que bajo tensión, ya que el propio estiramiento reduce artificialmente la ondulación aparente mientras la banda está bajo carga. También comprobaron que la planitud tiende a ser peor en los bordes de la banda que en su zona central, debido a ondulaciones locales más pronunciadas en esas áreas.
El dato que hace viable llevar todo esto a una línea de producción real es la velocidad. Los trenes de laminado analizados en el estudio se mueven entre 1 y 10 metros por segundo, lo que deja entre 1 y 10 segundos para procesar cada sección de 10 metros, compuesta por unas 1.000 fibras. Frente a los 47 segundos por fibra que exige el modelo FEM tradicional, el TC-VQ-VAE procesa cada fibra en tan solo 0,0009 segundos cuando trabaja con lotes de 512 fibras a la vez, y en 0,003 segundos incluso procesando una única fibra. Es una diferencia de varios órdenes de magnitud que convierte lo que antes era un cálculo inviable en tiempo real en una estimación prácticamente instantánea.
Los propios autores subrayan que este enfoque no solo mejora la precisión frente a otras arquitecturas de inteligencia artificial generativa, sino que abre la puerta a integrarlo directamente en los sistemas de control de las líneas de laminado, permitiendo detectar desviaciones de calidad antes de que la banda termine el proceso, con el consiguiente ahorro de tiempo, energía y material desperdiciado. Como trabajo futuro, plantean extender el modelo a otras condiciones de laminado y tipos de material, ampliando así el alcance de una herramienta que, de entrada, ya demuestra que la inteligencia artificial puede anticipar lo que el propio acero todavía no ha decidido mostrar.
Artículo creado a partir del trabajo Estimación en Tiempo Real de la Planitud en Bandas de Acero Laminadas mediante un Modelo Generativo Condicionado, de Darío G. Lema, F.J. de la Calle, Rubén Usamentiaga y Joaquín Entrialgo, del Departamento de Informática de la Universidad de Oviedo (Gijón, Asturias).
