IMPRESIÓN 3D METAL 34 • Aprendizaje supervisado: el algoritmo se entrena con un conjunto de datos etiquetados, que son introducidos por el usuario. El algoritmo puede ser de dos tipos, dependiendo del resultado que se desea, tal y como se muestra en la figura 8: • Clasificación: Se emplea para clasificar los datos de entrada en distintas clases. Por ejemplo, un algoritmo de clasificación sería adecuado para clasificar la calidad de las piezas como ‘buena’ o ‘mala’. En la figura 6 puede apreciarse el diagrama de un algoritmo de clasificación. • Regresión: Se emplea para predecir un valor numérico según los datos de entrada. Podría ser por ejemplo un algoritmo capaz de predecir la porosidad de la pieza fabricada. • Aprendizaje no supervisado: En este caso el usuario no introduce directamente los datos de entrada, sino que el algoritmo aprende de datos o elementos no etiquetados, buscando patrones o relaciones entre ellos. En este caso también existen dos tipos de algoritmos principalmente: • Clustering: Clasifica en grupos los datos de salida, en la relación a los datos de entrada. Por ejemplo, podría tratarse de un algoritmo que se encarga en clasif icar en grupos el tipo de porosidad de la pieza (Falta de fusión, key-hole…). El diagrama de este tipo de algoritmo puede verse en la f igura 7 y el resultado de salida esperado en la f igura 8. • Asociación: El algoritmo se encarga en buscar relaciones entre los distintos datos. Por ejemplo, este tipo de algoritmo podría emplearse para detectar la relación que puede existir entre la porosidad de las piezas fabricadas y sus propiedades mecánicas. • Aprendizaje por refuerzo: este algoritmo nace para suplir las carencias de los otros dos tipos de algoritmos y cubrir las aplicaciones que estos no suplían. La singularidad de este algoritmo es que aprende en un esquema basado en ‘premios y castigos’ al interactuar con su entorno. Así, el algoritmo recibe una recompensa numérica cada vez que resuelve una acción con éxito, y el algoritmo trata de aprender a seleccionar las acciones quemaximizan la recompensa acumulada. Un ejemplo de este tipo de algoritmo son los coches autoconducidos [4]. • Aprendizaje semi-supervisado: combina el aprendizajeno supervisado y el supervisado. El aprendizaje semisupervisado combina una pequeña o limitada cantidad del conjunto de datos etiquetados con una gran cantidad de conjunto de datos no etiquetados durante el entrenamiento del algoritmo. Este tipo de aprendizaje es beneficioso en las aplicaciones de fabricación aditiva, donde la obtención del conjunto de datos etiquetados es una tarea muy difícil. • Aprendizaje profundo/Deep Learning: por último, debe mencionarse el aprendizaje profundo. En este caso la maquina también aprende automáticamente analizando la gran cantidad de datos mediante estructuras de redes neuronales que pueden estar compuestas por varias capas dependiendo de la complejidad del modelo. Ejemplo de estemodelo son los algoritmos de los asistentes virtuales [5]. Las técnicas de Machine Learning tienen muchas aplicaciones diferentes dentro de la tecnología L-PBF, entre otras: optimización de parámetros, predicción de propiedades de las piezas fabricadas, detección de defectos, predicción de calidad, control en lazo cerrado del proceso, control de la desviación geométrica de las piezas, estimación de costes… No obstante, existe algún que otro inconveniente. Los principales problemas son, el Figura 6. Diagrama de un algoritmo supervisado de clasificación. Figura 7. Diagrama de un algoritmo no supervisado de tipo clustering.
RkJQdWJsaXNoZXIy Njg1MjYx