
Facultad de Informática

Trabajo de Fin de Grado

Militech

Por
Laura Chueca Bronte

Jorge Zurdo Izquierdo

Dirigido por

José Luis Vázquez Poletti
David Pacios Izquierdo

MADRID, 2023–2024


Abstract
This research presents the development of a distributed architecture, integrating

serverless technology and Amazon’s Sagemaker with Artificial Intelligence, aiming at the
efficient processing of 3D printed parts for both defense and general applications. This
study exploits an experimental 3D convolutional network, to explore the advancements
in automated part slicing methods. Furthermore, slicer cutting mechanics of printing files
without visual tools, purely relying on coordinates are also being developed. These tools
are exported to serverless architectures to leverage the extreme parallelization of AWS
Lambda functions. The paper will present the conclusions and results derived from these
implementations, offering a novel perspective in the field of 3D printing and AI-driven
process optimization.

Esta investigación presenta el desarrollo de una arquitectura distribuida, integrando
tecnologı́a serverless y Sagemaker de Amazon con Inteligencia Artificial, con el objetivo
de procesar eficientemente piezas impresas en 3D tanto para aplicaciones de defensa
como generales. Este estudio explota una red convolucional 3D experimental, para
explorar los avances en los métodos de corte automático de piezas. Además, también se
están desarrollando mecánicas de corte slicer de archivos de impresión sin herramientas
visuales, basándose únicamente en coordenadas. Estas herramientas se exportan a
arquitecturas serverless para aprovechar la paralelización extrema de las funciones
Lambda de AWS. El documento presentará las conclusiones y resultados derivados
de estas implementaciones, ofreciendo una perspectiva novedosa en el campo de la
impresión 3D y la optimización de procesos impulsada por IA.

Palabras Clave: Serverless Architecture, Artificial Intelligence, 3D
Printing, Convolutional Network, Sagemaker, AWS Lambda, Slicer
Cutting Mechanics, Process Optimization, Defense Applications.

III


Índice general
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III

Caṕıtulo 1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Caṕıtulo 1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Caṕıtulo 2 Estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

Caṕıtulo 3 Metodoloǵıa y tecnoloǵıas . . . . . . . . . . . . . . . . . . . . . . . . . 53

Caṕıtulo 4 Diseño de la solución inicial . . . . . . . . . . . . . . . . . . . . . . . . 59

Caṕıtulo 5 Desarrollo de la arquitectura . . . . . . . . . . . . . . . . . . . . . . . 71

Caṕıtulo 6 Resultados, mediciones y conclusiones . . . . . . . . . . . . . . 81

Caṕıtulo 6 Results, Measurements, and Conclusions . . . . . . . . . . . . 89

Bibliograf́ıa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .100

V


Chapter 1. Introduction
1.1. Motivation

If you look around, you will see that 3D printed objects are becoming
more common. It is one of the most versatile tools available, limited only
by the imagination of the user. From printing miniatures for board games
to repairing appliances or even the tools themselves.

During the pandemic, 3D printing helped improve the comfort of
healthcare workers and the general public during tough times. Faced
with a high demand for medical supplies, traditional supply chains were
overwhelmed by the demand from both the general public and healthcare
professionals. The disease spread across the globe in just a few weeks
and without reserves of these materials, traditional supply chains were
compromised, since a normal product can take months to years to move
from the initial design phases to production and global distribution 1.
Because the industrial machines that reduce the costs of these products are
designed and manufactured specifically for each one, they are costly. The
manufacturing times are high, and they cannot be repurposed for other
tasks, while a 3D printer can produce a wide range of objects from just a
3D model and a spool of material.
Thus, the pandemic presented one of the most striking practical cases for
3D printing. Anyone with a printer at home could contribute with minimal
knowledge, from mask adjusters and face shields to devices for opening
doors without contact, demonstrating that 3D printing is more than just a
hobby or a toy.

Among the main printing technologies that have popularized 3D
printing both as a hobby and on a professional level is the Fused Material
Deposition (FMD) process, which involves progressively creating layers
of melted plastic on top of another (such as making a Lasagna 2), which
upon cooling form a solid plastic piece. This technology is currently the
cheapest to implement and has allowed anyone to have a 3D printing
machine at home with the same availability as an appliance, in addition
to reducing product design times for companies by facilitating the rapid
manufacturing of prototypes.

1Global chip storage (2020-2023): https://en.wikipedia.org/wiki/20202023_global_chip_shortage
2https://www.tematika.com/media/catalog/Ilhsa/Imagenes/683184.jpg

1

https://en.wikipedia.org/wiki/2020–2023_global_chip_shortage
https://www.tematika.com/media/catalog/Ilhsa/Imagenes/683184.jpg


2

Traditionally, in industrial use, subtractive manufacturing techniques
have been employed in which an initial piece of material undergoes
transformations that remove material to yield a final product (milling
machines or lathes). 3D printing offers an antithesis in the form of additive
manufacturing, where the material is progressively added and allows
for more elaborate designs with interior features in pieces that are more
versatile and easier to manufacture.

This 3D printing technology was initially theorized in the 60s without
success beyond several patents that never materialized into actual
prototypes. Finally, in 1986, the first models of resin printers were
manufactured by stereolithography (SLA). These printers were expensive
and difficult to operate. It wasn’t until 2002 and 2014, when a series
of patents on these processes expired [1], that initiatives like RepRap 3

or companies like Ultimaker began to manufacture their own models of
printers.
It is estimated that by 2023, the annual growth of the 3D printing industry
is 17-27 %, one of the highest in any industry 4 .
The advantages of this technology in manufacturing are hard to replicate
with other methods 5 :

Product customization with reduced manufacturing time.

Production on demand avoiding issues of excess or deficit inventory.

Decentralization of production or consumer-driven production,
reducing or eliminating transportation times.

Capability to print complete products, allowing an almost immediate
response to demand.

Wide range of materials: plastics, ceramics, organics, metals, etc.

They are particularly noticeable in the production of moderate
quantities of units (less than 1000 copies) eliminating the need for
the design and manufacturing of large machines (like those for plastic

3https://reprap.org/wiki/RepRap
4Report for a general overview of recent trends and statistics in the 3D printing industry, including

market growth and application areas: https://learn.g2.com/3d-printing-statistics.
5Article on a detailed discussion about the advantages of additive manufacturing over

traditional manufacturing and how 3D printing is changing production methods: https:

//www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_

of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/

The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.

pdf.

https://reprap.org/wiki/RepRap
https://learn.g2.com/3d-printing-statistics
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf


3

molding, which are only suitable for the product they were designed
for) and in the versatility of these printers, being able to manufacture an
almost unlimited range of objects. Nowadays, its use has expanded, with
everyday objects like eyeglass frames or shoe soles, even prosthetics and
human organs using bio-printing methods [2] with custom cells that can
help fight rejection of organs specifically designed for the recipient.

Parallel to the development of these printers, a series of software known
as Slicers have been developed, which convert a 3D object into instructions
that the machine can understand and are vital for its proper operation,
as they have hundreds of parameters for very specific problems such as
.elephant foot”, resulting from setting an incorrect bed temperature and
producing a deformation at the base or ”stringing”which produces a series
of threads when the plastic is not being deposited at the temperature of
maximum viscosity.
This technology has a major disadvantage, it is limited by the size of
the printer and the printing speed. It is problematic both for printing
large parts (The print surface of a commercial model is typically 25x25
centimeters) and for the long printing times for large or complex models,
with some cases exceeding 24 hours. These models have a failure rate very
dependent on the quality of the material and the user’s calibrations, which
can cause both the material and the invested time to be lost in most cases,
such as a failure in the temperature of the first layer that causes the piece
to detach from the hot bed and follow the nozzle’s path, or to be ejected by
the rapid movement of the hot bed 6. Although there are machines capable
of recycling these plastics for reuse, their current availability is scarce and
can far exceed the price of printers, making it unprofitable to recycle waste
unless used professionally.

In such cases, splitting a model into smaller parts is an interesting
alternative, eliminating much of the waste of material in supports and
potentially resulting in a model that, when combining the parts, far
exceeds the print area, or allowing alternating processes that would limit
the use of the machine for days into smaller time frames that allow
for control and recovery from potential errors, and even reducing the
manufacturing time by sending different parts to different machines for
parallel printing. This would allow for reducing the continuous use time

6https://all3dp.com/1/common-3d-printing-problems-troubleshooting-3d-printer-issues/


4

of a machine, making its maintenance less costly and extending its average
useful life in the domestic environment and reducing production costs by
limiting the impact of failures and reducing the time to perform the cuts in
the industrial environment.

By dividing the model into smaller parts an interesting use case, the
military, was glimpsed. As can be seen in Figures 1.2, 1.1 and 1.37 it is
possible to divide a weapon of considerable size such as the Claymore
sword. And apply this same concept to generate a tool capable of cutting,
either for military or more general use.

Are there tools that allow for such cutting? Yes, although they are
mostly manual and are performed sequentially. By using Serverless
technology and implementing automatic piece cutting with artificial
intelligence, 3D printing would be even more accessible and require less
technical knowledge from the end consumer.

1.2. Objectives
The aim is to conduct a review and analysis of serverless technology

and machine learning technology:

Perform a literature review to understand serverless technologies and
their applicability in the context of the auto-slicer 3D.

Investigate and compare various machine learning libraries and
frameworks to determine the most suitable for the project in terms
of execution time and accessibility for programmers.

Compare execution times and costs aiming for speed and low cost.

With the intention to design a serverless architecture for the 3D
auto-slicer:

Define the key components of the serverless architecture and how
they interact with each other for the auto-slicing of 3D part models.

Establish the data flows and communications needed between the
serverless services.

Then, the implementation of the machine learning model for the 3D
auto-slicer will be developed, taking into account the absolute size of the

7Photographs of references obtained from the following link:https://www.thingiverse.com/thing:
6592681

https://www.thingiverse.com/thing:6592681
https://www.thingiverse.com/thing:6592681


5

parts and the complexity of the mesh in different areas to not compromise
the delicate ones in the cutting:

Develop a machine learning model capable of identifying and
segmenting 3D parts accurately and efficiently, with manually
performed cutting models at the beginning, ensuring that the
segmentation does not interfere with the main use of the parts.

Train the model in a supervised manner to ensure that the cuts do
not affect the structural integrity of the piece and that they do not
compromise areas where precision in geometry is required.

Implement the model in the selected serverless environment.

And integration with 3D data storage:

Integrate the serverless system with 3D data storage to access the
models of the parts and perform the auto-slicing effectively.

Following this, functionality and performance testing will proceed:

Conduct thorough testing to verify the accuracy and efficiency of the
auto-slicer across different scenarios and types of 3D parts.

Adjust the model generation parameters to avoid overfitting or results
of little utility.

Evaluate the performance of the serverless architecture in terms of
response times and resource usage.

Documentation and analysis of the results will be prepared:

Prepare comprehensive documentation of the development of the 3D
auto-slicer serverless, including the architecture, machine learning
model, and tests conducted.

Analyze the results obtained in the tests with graphs and tables to
facilitate understanding.

Discuss the advantages and limitations of the proposed solution.

As well as validation and demonstration:


6

Validate the 3D part auto-slicer serverless with real use cases and
external data.

Prepare a practical demonstration to showcase the operation and
effectiveness of the system.

Provide models manually cut and models cut by the tool, allowing a
comparison of results from the trained slicer.

To conclude with the drafting of the conclusion and possible
improvements:

Summarize the conclusions of the work and highlight the
achievements made.

Suggest possible improvements or future extensions of the 3D part
auto-slicer serverless system.


Capı́tulo 1. Introducción
1.1. Motivación

Si miras a tu alrededor verás que cada vez son más comunes los objetos
impresos en 3D. Se trata de una de las herramientas más versátiles que
existen siendo solo limitada por la imaginación de aquel que la emplea.
Desde impresiones de miniaturas para juegos de mesa, hasta reparación
de electrodomésticos o herramientas en sı́.

Durante la pandemia nos permitieron mejorar la comodidad del
personal sanitario y la gente de a pie en tiempos difı́ciles. Ante la gran
demanda de material sanitario, las cadenas de suministros tradicionales
se vieron afectadas por la gran demanda del público general ası́ como del
personal sanitario, la enfermedad se esparció por el mundo en escasas
semanas y al no haberse producido una reserva de estos materiales, la
cadena de suministro tradicional se vio comprometida, dado que un
producto normal puede tardar de meses a años en pasar de las fases
de diseño iniciales a las de producción y distribución a escala global 1.
Debido a que las maquinas de uso industrial que abaratan los costes de
estos productos se diseñan y fabrican de manera especı́fica a cada uno
de ellos, resultan ser costosas, Los tiempos de fabricación son altos y no
se pueden reutilizar para otras tareas, mientras una impresora 3D puede
fabricar una extensa gama de objetos a partir únicamente de un modelo
3D y una bobina de material.
Durante la pandemia se presentó por lo tanto uno de los casos prácticos
más vistosos de la impresión 3D. Cualquier persona con una impresora
en su casa podı́a aportar con escasos conocimientos, desde ajustadores de
mascarillas y pantallas de protección, hasta dispositivos para abrir puertas
evitando el contacto, demostrando que la impresión 3D es más que un
hobby o un juguete.

Entre las principales tecnologı́as de impresión que han popularizado
la impresión 3D tanto como hobby como a nivel profesional se encuentra
el proceso de Deposición de Material Fundido (FDM) que consiste en la
creación progresiva capas de plástico fundido unas sobre otras (Como si
se tratase de una Lasaña 2) y que al enfriarse generan una pieza de plástico

1Escasez global de chips (2020-2023) https://es.wikipedia.org/wiki/Escasez_global_de_chips_

(2020-2023)
2https://www.tematika.com/media/catalog/Ilhsa/Imagenes/683184.jpg

7

https://es.wikipedia.org/wiki/Escasez_global_de_chips_(2020-2023)
https://es.wikipedia.org/wiki/Escasez_global_de_chips_(2020-2023)
https://www.tematika.com/media/catalog/Ilhsa/Imagenes/683184.jpg


8

sólida. Esta tecnologı́a es actualmente la más barata de implementar y
es la que ha permitido que cualquier persona pueda contar con una
máquina de impresión 3D en su casa con la misma disponibilidad que un
electrodoméstico además de disminuir los tiempos de diseño de productos
de las empresas al facilitar la fabricación rápida de prototipos.

Tradicionalmente en uso industrial se han realizado técnicas de
manufacturación sustractiva en las cuales una pieza inicial de material
va sufriendo transformaciones en las que se retira material hasta dar
un producto final (Fresadoras o Tornos), la impresión 3D ofrece una
antı́tesis en forma de la manufacturación aditiva, en la cual el material va
añadiéndose de manera progresiva y permite diseños más elaborado con
caracterı́sticas de interior en las piezas más versátiles y fáciles de fabricar.

Esta tecnologı́a de impresión 3D, fue inicialmente teorizada en los años
60 sin éxito más allá de varias patentes que nunca pudieron manifestarse
en prototipos reales y finalmente en el año 86 se comenzó a fabricar los
primeros modelos de impresoras de resinas por estereolitografı́a (SLA).
Estas impresoras eran costosas y difı́ciles de operar. No es hasta 2002 y
2014 cuando expiraron una serie de patentes sobre estos procesos [1] que
permitieron que iniciativas como RepRap 3 o empresas como Ultimaker
comenzaran a fabricar sus propios modelos de impresoras.
Se estima que en el año 2023 el crecimiento anual de la industria de
impresión 3D es del 17-27 % siendo uno de los más grandes en cualquier
industria 4 .
Las ventajas de esta tecnologı́a en la manufacturación son difı́ciles de
replicar con otros métodos 5 :

Personalización de productos con un tiempo de manufacturación
reducido.

Producción bajo demanda evitando problemas de exceso o déficit de
inventario.

3https://reprap.org/wiki/RepRap
4Informe para obtener una visión general de las tendencias y estadı́sticas recientes en la industria de la

impresión 3D, incluyendo el crecimiento del mercado y las áreas de aplicación: https://learn.g2.com/
3d-printing-statistics.

5Artı́culo sobre discusión detallada sobre las ventajas de la fabricación aditiva frente a la
fabricación tradicional y cómo la impresión 3D está cambiando los métodos de producción: https:

//www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_

of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/

The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.

pdf.

https://reprap.org/wiki/RepRap
https://learn.g2.com/3d-printing-statistics
https://learn.g2.com/3d-printing-statistics
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf
https://www.researchgate.net/publication/313904803_The_rise_of_3-D_printingThe_advantages_of_additive_manufacturing_over_traditional_manufacturing/links/5955368a0f7e9b591cd7391e/The-rise-of-3-D-printingThe-advantages-of-additive-manufacturing-over-traditional-manufacturing.pdf


9

Descentralización de la producción o producción por el consumidor,
reduciendo o eliminando tiempos de transporte.

Capacidad de impresión de producto completo, permitiendo
respuesta casi inmediata a la demanda.

Amplia gama de materiales: plásticos, cerámicos, orgánicos, metales,
etc..

Se notan principalmente en la producción de cantidades moderadas de
unidades (Menos de 1000 copias) eliminando la necesidad del diseño y
fabricación de grandes máquinas (Como las de plástico por molde, que
solo sirven para el producto que han sido diseñadas) y en la versatilidad de
estas impresoras, pudiendo cada una fabricar una gama casi ilimitada de
objetos. Ahora se puede observar como su uso se ha extendido, con objetos
cotidianos como monturas de gafas o suelas de zapatillas, incluso prótesis
y órganos humanos usando métodos de bioimpresión [2] con células
personalizadas que pueden ayudar a combatir el rechazo de órganos
diseñados especı́ficamente para el receptor.

De manera paralela al desarrollo de estas impresoras se ha ido
desarrollando una serie de software conocidos como Slicer, que permiten
convertir un objeto 3D en instrucciones que la máquina comprenda
y que son vitales para su correcto funcionamiento, pues cuentan con
centenares de parámetros para problemas muy especı́ficos como el ”pie de
elefante”, resultante de configurar una temperatura de cama incorrecta y
que produce una deformación en la base o el ”stringing”que produce una
serie de hilos cuando el plástico no está depositándose a la temperatura de
máxima viscosidad.
Esta tecnologı́a tiene una gran desventaja, está limitada al tamaño de la
impresora y a la velocidad de impresión. Siendo problemático tanto la
impresión de piezas grandes (La superficie de impresión de un modelo
comercial es tı́picamente de 25x25 centı́metros) como los altos tiempos
de impresión en modelos grandes o complejos, llegando algunos casos
a superar las 24 horas. Estos modelos tienen una tasa de errores muy
dependiente de la calidad del material y las calibraciones del usuario
y que pueden hacer que se pierda tanto el material como el tiempo
invertido en la mayorı́a de los casos como un fallo en la temperatura de
la primera capa que produce que la pieza se despegue de la cama caliente
y siga el recorrido de la boquilla, o que sea despedida por el movimiento


10

veloz de la cama caliente 6. Aunque existen máquinas capaces de reciclar
estos plásticos para usarse de nuevo, su disponibilidad actual es escasa
y pueden superar con creces el precio de las impresoras, haciendo poco
rentable el reciclar los desechos a menos que se le dé un uso profesional.

Figura 1.1: Ejemplo ilustrativo de un corte
para el montaje de una pieza de mayor
tamaño. Royal Claymore Segmento 3

Figura 1.2: Ejemplo ilustrativo de un
corte para el montaje de una pieza de
mayor tamaño. Royal Claymore Segmento
2 Lateral Derecho

Figura 1.3: Ejemplo ilustrativo del resultado
del montaje de la pieza original. Royal
Claymore completa.

Para estos casos separar un modelo en partes más pequeñas resulta una
alternativa interesante, eliminando gran parte del la pérdida de material
en soportes y pudiendo resultar en un modelo, que al combinar las piezas,
supera con creces la zona de impresión, o permitiendo el alternar los
procesos que limitarı́an el uso de la máquina durante dı́as en plazos
más pequeños que permiten controlar y recuperarse de posibles errores
e incluso disminuir el tiempo de fabricación al poder enviar distintas
piezas a diferentes máquinas de manera simultánea para su impresión en
paralelo. Esto permitirı́a disminuir el tiempo de uso sin descanso de una
máquina haciendo su mantenimiento menos costoso y alargando su vida

6https://all3dp.com/1/common-3d-printing-problems-troubleshooting-3d-printer-issues/


11

media útil en el entorno doméstico y abaratar los costes de producción al
limitar el impacto de los fallos ası́ como reducir el tiempo en realizar los
cortes en el entorno industrial.

Al dividir el modelo en partes más pequeñas se atisbó un caso de uso
interesante, el militar. Como se puede observar en las Figuras 1.2, 1.1 y
1.3 7 se puede dividir un arma de tamaño considerable como es la espada
Claymore. Y aplicar este mismo concepto para generar una herramienta
capaz de realizar cortes, ya sea para un ámbito militar o más general.

¿Existen herramientas que permiten realizar un corte? Sı́, aunque en su
mayorı́a de forma manual y se realizan de forma secuencial, utilizando
la tecnologı́a Serverless e implementando un corte de piezas automático
gracias a una inteligencia artificial, la impresión 3D serı́a todavı́a mucho
más accesible y con menos requisitos de conocimientos técnicos para el
consumidor final.

1.2. Objetivos
Se pretende realizar una investigación y análisis de herramienta

serverless y tecnologı́a de machine learning:

Realizar una revisión bibliográfica para comprender las tecnologı́as
serverless y su aplicabilidad en el contexto del auto-slicer 3D.

Investigar y comparar diversas bibliotecas y frameworks de machine
learning para determinar lo más apto para el proyecto en cuanto a
tiempo de ejecución y accesibilidad a los programadores.

Comparar los tiempos de ejecución y costes buscando velocidad y
bajo coste.

Con la intención de diseñar una arquitectura serverless para el
auto-slicer 3D:

Definir los componentes clave de la arquitectura serverless y como
interactúan entre sı́ para el auto-slicing de modelos de piezas en 3D.

Establecer los flujos de datos y las comunicaciones necesarios entre
los servicios serverless.

7Fotografı́as de referencias obtenidas del siguiente enlace:https://www.thingiverse.com/thing:
6592681

https://www.thingiverse.com/thing:6592681
https://www.thingiverse.com/thing:6592681


12

Para ello se elaborará la implementación del modelo de machine
learning para el auto-slicer 3D que tendrá que tener en cuenta el tamaño
absoluto de las piezas y la complejidad de la malla en diferentes zonas
para no comprometer las delicadas en el corte:

Desarrollar un modelo de machine learning capaz de identificar y
segmentar piezas en 3D de manera precisa y eficiente, con modelos
de corte efectuados manualmente en su inicio y evitando que la
segmentación interfiera en el principal uso de las piezas.

Entrenar el modelo de manera supervisada para comprobar que los
cortes no afectan la integridad estructural de la pieza y que no
comprometen zonas en las que se requiera precisión en la geometrı́a

Implementar el modelo en el entorno serverless seleccionado.

Y la integración con almacenamiento de datos 3D:

Integrar el sistema serverless con el almacenamiento de datos 3D para
acceder a los modelos de las piezas y realizar el auto-slicing de manera
efectiva.

Tras esto se procederá con las pruebas de funcionalidad y rendimiento:

Realizar pruebas exhaustivas para verificar la precisión y eficiencia
del auto-slicer entre distintos escenarios y tipos de piezas 3D.

Ajustar los parámetros de la generación del modelo para evitar
sobreentrenamiento o resultados de escasa utilidad.

Evaluar el rendimiento de la arquitectura serverless en términos de
tiempos de respuesta y utilización de recursos.

Y se elaborará la documentación y el análisis de los resultados:

Elaborar una documentación completa del desarrollo del auto-slicer
3D serverless, incluyendo la arquitectura, el modelo de machine
learning y las pruebas realizadas.

Analizar los resultados obtenidos en las pruebas con gráficos y tablas
para facilitar su entendimiento.

Discutir las ventajas y limitaciones de la solución propuesta.


13

Ası́ como la validación y demostración:

Validar el auto-slicer de piezas 3D serverlesss con casos de uso reales
y datos externos.

Preparar una demostración práctica para presentar el funcionamiento
y la efectividad del sistema.

Se aportarán modelos cortados manualmente y modelos cortados por
la herramienta, permitiendo ver resultados del slicer entrenado.

Para finalizar con la redacción de las conclusión y posibles mejoras:

Resumir las conclusiones del trabajo y destacar los logros alcanzados

Proponer posibles mejores o futuras extensiones del sistema
serverlesss de auto-slicer de piezas en 3D


Capı́tulo 2. Estado del arte
2.1. Tecnologı́as de impresión

La impresión 3D se puede dividir en 2 categorı́as, manufacturación
aditiva y manufacturación sustractiva.

Dentro de la categorı́a de manufacturación sustractiva nos
encontramos procesos que parten de bloques de materiales y
mediante el uso de herramientas como fresadoras [3] retiran de
manera selectivas partes del bloque de material original hasta dar
con una pieza final. En su interior la pieza resultante tiene una gran
resistencia estructural pero el proceso se ve limitado al acceso de las
herramientas a las zonas internas del material dando como resultado
piezas menos complejas [4] y produciendo en el camino una gran
cantidad de desecho.

En la categorı́a de manufacturación aditiva encontramos las
impresoras tradicionales de plástico que usan a tecnologı́a de
deposición de plástico fundido (conocidas como FDM) [5], las
impresoras de resina que usan láseres para curar la resina en un
objeto sólido por capas usando una seria de ı̈mágenes”de capas
conocidas como estereolitografı́a (SLA) [6] e incluso los modelos
más vanguardistas y experimentales que pueden usar células madres
programadas para la impresión de órganos. Estas impresoras también
suelen desperdiciar una pequeña cantidad de material (Mucho menor
que las máquinas sustractivas) dado que para imprimir algunas
formas durante el proceso requieren de ”soportes”para las partes
flotantes de

2.1.1. Desarrollo de un método de conversión directa de
una nube de puntos fotogramétrica, a puntos de
movimiento de un cabezal de fresadora CNC (o
impresora 3D), para la reproducción i conservación del
roshan

El estudio [7] proporciona una visión detallada de una nueva metodologı́a
de mecanizado 3D que permite convertir directamente nubes de puntos

15


16

fotogramétricos en movimientos de fresado CNC, evitando procesos
intermedios como la triangulación. Un ejemplo práctico de su aplicación
es la reproducción de paneles ornamentales del roshan, utilizando
interpolación B-Spline para mantener la fidelidad de los detalles sin
necesidad de post-pulido.

Se destaca el uso de técnicas avanzadas de fotogrametrı́a y CAD/CAM
en la conservación y restauración del patrimonio arquitectónico como
se puede observar en la Figura 2.11. Esto se manifiesta en proyectos
como la reconstrucción de elementos decorativos en roshans de Jeddah,
donde se generan modelos 3D precisos para fabricar componentes que se
integran perfectamente en las estructuras históricas. Además, se incorpora
la ingenierı́a inversa para mejorar la precisión y eficiencia del modelado.

Figura 2.1: Resultados de distintos elementos ornamentales obtenidos mediante las
técnicas de fresado.

La metodologı́a también promueve la preservación de técnicas y oficios
tradicionales, documentando y potencialmente reviviendo métodos de
construcción históricos. Esto podrı́a aplicarse en programas educativos
o de capacitación para transmitir conocimientos antiguos a nuevas
generaciones, asegurando su conservación.

En términos de costos y procesos, el estudio sugiere que el uso de
software de código abierto y técnicas de bajo costo pueden simplificar
significativamente los procesos de documentación y restauración. Se

1Imagen obtenida del artı́culo:http://hdl.handle.net/2117/23500

http://hdl.handle.net/2117/23500


17

enfatiza la importancia de optimizar el acabado y la métrica superficial
de las reproducciones ajustando los parámetros de las herramientas CNC
para replicar con precisión los detalles superficiales.

Termina indicando que la metodologı́a no solo mejora las capacidades
de producción sino que también ofrece mejores capacidades de
diagnóstico. Permite identificar y corregir errores en los modelos 3D
utilizando técnicas avanzadas de visualización y análisis, detectando
puntos de ruido y corrigiendo errores en la nube de puntos.
Esta aproximación invita a reflexionar crı́ticamente sobre cómo estas
tecnologı́as modernas pueden adaptarse a la diversidad de patrimonios
arquitectónicos globales sin comprometer su integridad estructural y
estética.

De esta publicación se obtuvieron ejemplos prácticos donde se podrı́an
utilizar las técnicas de impresión aplicadas en este trabajo. Ası́ como un
caso de uso donde se aplica una técnica más rudimentaria.

2.1.2. 3D/4D Printing of Polymers: Fused Deposition
Modelling (FDM), Selective Laser Sintering (SLS),
and Stereolithography (SLA)

El artı́culo [8] examina las tecnologı́as de escaneo 3D e impresión 3D en la
creación de sistemas personalizados de administración de medicamentos
tópicos. Se resalta la importancia de la fabricación aditiva de polı́meros,
centrándose en la relación fundamental entre el proceso de impresión,
la estructura resultante y las propiedades de los materiales poliméricos.
Este enfoque integrador permite comprender mejor cómo las diferentes
técnicas de impresión 3D afectan las caracterı́sticas finales de los productos
fabricados, lo que resulta crucial en aplicaciones médicas y farmacéuticas
donde la precisión y la personalización son esenciales.


18

Figura 2.2: Gráfico donde se ilustran las diferentes técnicas de imprensión realizadas

Se exploran los desafı́os y las oportunidades que presenta la fabricación
aditiva en el ámbito de los vehı́culos aéreos no tripulados, destacando
la importancia de la fabricación de polı́meros con memoria de forma
mediante la técnica de deposición de filamento fundido. En los que
destacan la relevancia de la tecnologı́a de impresión 3D en la industria
aeroespacial y su potencial para la creación de componentes avanzados y
personalizados para aplicaciones especı́ficas en este campo en constante
evolución.

Por otro lado trata sobre la tecnologı́a de impresión 3D de
sistemas compuestos de hidrogel para ingenierı́a de tejidos. Esta área
de investigación prometedora destaca cómo la impresión 3D puede
revolucionar la fabricación de estructuras biocompatibles y funcionales
para aplicaciones biomédicas, como la regeneración de tejidos y la creación
de modelos de órganos personalizados. La capacidad de imprimir con
precisión materiales biológicos complejos abre nuevas posibilidades en el
campo de la medicina regenerativa y la bioingenierı́a.

Además tal y como se muestra en la Figura 2.22 se discute la impresión
3D de materiales cerámicos mediante técnicas como la sinterización y la
fusión láser selectiva, ası́ como la aplicación de la impresión 3D en la
industria de la construcción para la fabricación de materiales cementicios.
Estos avances demuestran la versatilidad de la impresión 3D en la creación

2Imagen obtenida del artı́culo:https://doi.org/10.3390/polym13183101

https://doi.org/10.3390/polym13183101


19

de estructuras y componentes en una amplia gama de materiales, desde
polı́meros hasta cerámica y cemento, lo que amplı́a las posibilidades de
diseño y fabricación en diversos sectores industriales.

Por último, se exploran los desarrollos en elastómeros
magnetorreológicos hı́bridos mediante la impresión 3D, destacando
su capacidad única para actuar magnéticamente y transformarse a
través de la impresión 4D de materiales blandos magnetoactivos. Esta
innovadora aplicación de la impresión 3D en materiales inteligentes abre
nuevas perspectivas en la creación de estructuras adaptables y funcionales
que pueden responder a estı́mulos externos, lo que tiene implicaciones
significativas en campos como la robótica, la ingenierı́a de tejidos y la
nanotecnologı́a.

A partir de este artı́culo se han estudiado y comparado distintas técnicas
de corte, ya que, tal y como se muestran estas técnicas dependen del tipo
de material.

2.1.3. Deep learning–based stress prediction for bottom-up
SLA 3D printing process

Este artı́culo [9] aborda la aplicación de un sistema imprensión en 3D
mediante estereolitografı́a (SLA). Para el desarrollo de esta aplicación
realizaron una predicción de distribución de tensiones en tiempo real. Para
lograrlo utilizaron redes neuronales convencionales (CNN) para predecir
las tensiones de cada lado.

Para ello primero identificaron la separación de capas y las fuerzas de
adhesión como variables de impresión. Para la realización de la aplicación
se tuvo en cuenta las tensiones en tiempo real.


20

Figura 2.3: Estructura de la aplicación de corte SLA basado en la red neuronal tipo CNN.

La creación del conjunto de datos en el estudio se llevó a cabo de
manera meticulosa y automatizada para garantizar la representación de
una amplia variedad de formas y tamaños de modelos CAD 3D tal
y como se muestra en la Figura 2.33. Se generaron distintos modelos
CAD a partir de combinaciones de diferentes formas geométricas, como
elipse, triángulo, rectángulo, estrella, cruz y pentágono, con dimensiones
variables. Estos modelos se crearon mediante un proceso de lofting en
tres planos diferentes, lo que permitió obtener secciones transversales
de distintos tamaños y formas en cada capa. La automatización de este
proceso a través de scripts en Inventor VBA facilitó la generación eficiente
de 1670 modelos CAD únicos, que posteriormente fueron divididos en 10
capas cada uno para su posterior análisis y simulación.

Este enfoque de creación de dataset no solo garantizó la diversidad
y representatividad de las formas geométricas en los modelos CAD,
sino que también permitió una preparación eficiente de los datos
para el entrenamiento de la red neuronal convolucional. La generación
automatizada de los modelos CAD y su posterior división en capas
proporcionó un conjunto de datos robusto y variado que sirvió como

3Imagen obtenida del artı́culo:https://link.springer.com/article/10.1007/s00170-019-03363-4#
citeas

https://link.springer.com/article/10.1007/s00170-019-03363-4##citeas
https://link.springer.com/article/10.1007/s00170-019-03363-4##citeas


21

base para la simulación por elementos finitos y la predicción de tensiones
en cada capa durante el proceso de impresión 3D. Esta metodologı́a
de creación de dataset destaca la importancia de la integración de
herramientas de modelado 3D y scripts automatizados para optimizar la
preparación de datos en aplicaciones de aprendizaje profundo en el campo
de la fabricación aditiva.

Como conclusión de este artı́culo se puede extraer que la combinación
de técnicas de impresión 3D como la estereolitografı́a con el aprendizaje
profundo a través de redes neuronales convolucionales representa un
avance significativo en la optimización de procesos de fabricación aditiva.
La capacidad de predecir y monitorear en tiempo real las tensiones en las
capas impresas permite mejorar la calidad de las piezas, reducir costos y
tiempos de producción, y potencialmente abrir nuevas oportunidades en
el campo de la fabricación avanzada.

2.2. Materiales
Los materiales de impresión 3D son los conocidos como termoplásticos,

es decir, que se pueden fundir múltiples veces y dar forma sin que pierdan
sus propiedades. Por lo general no se usan los mismos plásticos que se
usarı́an en un entorno industrial como el PET o el ABS, debido a las altas
temperaturas de fusión de estos y al hecho de que suelen emanar efluvios
tóxicos durante el proceso de fusión.

El PLA [10] también conocido como ácido poliáctico es un bioplástico
derivado del almidón de maı́z y que destaca por su bajo coste de
producción y por ser biodegradable bajo ciertas temperaturas del
orden de 60º. Su uso es el más extendido entre aficionados por su bajo
coste y baja temperatura de fusión(170º-180º).

El ABS o acrilonitrilo butadieno estireno [11, 12] es uno de los
plásticos más usados en todas las industrias, desde carcasas para
teclados, ordenadores a parachoques o sillas, debido a que tiene
una alta resistencia a impactos y al calor. Tiene un punto de fusión
ligeramente más alto (220º-230º) y se recomienda su uso en zonas
ventiladas.

Nylon [13], muy resistente y duradero ante impactos y calor, pero
extremadamente difı́cil de imprimir con FDM.

TPU [14] flexible y estirable una vez enfriado. Se usa para piezas que
necesiten amortiguar impactos.


22

Compuestos de fibra de carbono [15] o fibra de vidrio, se suelen
mezclar con plásticos que resultan como adhsesivos para el material
principal y ofrecen unas capacidades extremas al resultado. Se ven
limitados a impresoras industriales de alto coste.

Resina [16]. Su compuesto varia ampliamente según la marca y
las caracterı́sticas que se desee, existen desde resinas que se curan
en materiales transparentes hasta las que se curan en polı́meros
con indices de durezas más altos. Una de sus caraterı́sticas más
mimportantes suele ser su resolución”pues algunas usan compuestos
capaces de crear capas más finas hasta el punto de no poder percibirse
a simple vista.

2.2.1. Mechanical properties of PLA-graphene filament for
FDM 3D printing

Este artı́culo [10] habla acerca de un estudio sobre las propiedades
mecánicas del filamento PLA-grafeno utilizado en la imprensión 3D
mediante el modelo de deposición fundida (FDM). Este estudio es
interesante debido a las diversas aplicaciones que se le pueden dar a este
material según sus distintas propiedades.

El PLA, o ácido poliláctico, es un polı́mero termoplástico derivado
de recursos renovables, como el almidón de maı́z o la caña de azúcar,
lo que lo hace biodegradable y preferible desde el punto de vista
ambiental. Este estudio se enfoca en las propiedades mecánicas del
PLA reforzado con grafeno, otro material conocido por su resistencia
y propiedades conductoras excepcionales. Utilizando técnicas de diseño
compuesto central (CCD) y metodologı́a de superficie de respuesta (RSM),
los investigadores buscaron modelar la relación entre la configuración
de impresión, como el grosor de capa y el porcentaje de relleno, y las
propiedades mecánicas del material impreso.


23

Figura 2.4: Resultados de tracción del material PLA

En la Figura 2.44 se pueden observar los resultados. Estos mismos
indicaron que tanto el grosor de la capa como el porcentaje de infill
(relleno) influyen significativamente en la resistencia a la tracción, la
flexión y el impacto del PLA-grafeno. En particular:

Resistencia a la Tracción: Aumenta con el grosor de la capa y
el porcentaje de relleno. Esto sugiere que ajustar estos parámetros
puede ayudar a optimizar la resistencia del material para aplicaciones
especı́ficas.

Resistencia a la Flexión: También mejora con aumentos en el grosor
de la capa y el infill. Esto es crucial para aplicaciones estructurales
donde la flexión es un modo de falla común.

Energı́a de Impacto: Presenta un comportamiento algo diferente, ya
que inicialmente disminuye con un mayor grosor de capa y relleno
antes de aumentar, sugiriendo un punto óptimo de configuración para
maximizar la resistencia al impacto.

4Imagen obtenida del artı́culo:https://link.springer.com/article/10.1007/s00170-019-03532-5

https://link.springer.com/article/10.1007/s00170-019-03532-5


24

Concluye que la impresión 3D de PLA reforzado con grafeno ofrece un
excelente equilibrio entre rendimiento mecánico y sostenibilidad, con un
gran potencial para aplicaciones especializadas que requieren materiales
ligeros pero robustos. Además, el uso de técnicas estadı́sticas avanzadas
proporciona una guı́a valiosa para afinar los parámetros de impresión en
busca de optimizar las propiedades mecánicas del material impreso.

De este estudio se extrajo la idea de utilizar este material para realizar
las impresiones y comprobar sus distintas caracterı́sticas.

2.2.2. A study on the influence of process parameters on the
Mechanical Properties of 3D printed ABS composite

En este artı́culo se presenta un estudio sobre las propiedades mecánicas
del filamento compuesto de ABS [12] con silicato de magnesio, utilizando
la impresión 3D de modelado por deposición fundida (FDM). A
continuación, te resumo la sección centrada en el ABS.

El filamento de ABS, un termoplástico ampliamente usado en la
impresión 3D, es reforzado en este estudio con silicato de magnesio. Los
investigadores evaluaron su resistencia en términos de tracción y flexión
según las normas ASTM D638 y ASTM D790. Para determinar la influencia
de los parámetros de impresión, como el grosor de la capa y la velocidad
de impresión, utilizaron una impresora de escritorio de bajo costo con
una boquilla de 0,6 mm de diámetro. Las muestras se fabricaron con
diferentes combinaciones de grosor de capa (0,2 mm, 0,25 mm y 0,3 mm) y
velocidades de impresión (30 mm/s, 40 mm/s y 50 mm/s).

Los resultados de las pruebas de tracción mostraron que el grosor de la
capa y la velocidad de impresión afectan significativamente la resistencia
del ABS reforzado:

Muestras con 0,2 mm de grosor: La resistencia a la tracción fue mayor,
alcanzando un máximo de 28,5 MPa con una velocidad de impresión
de 30 mm/s.

Muestras con 0,25 mm de grosor: La resistencia disminuyó
ligeramente, con una resistencia máxima de 26 MPa a una velocidad
de 30 mm/s.

Muestras con 0,3 mm de grosor: La resistencia disminuyó aún más,
con una resistencia máxima de 25,5 MPa.


25

Se observó que velocidades de impresión más altas y grosores de capa
más grandes resultaron en una menor resistencia a la tracción, debido a
una menor calidad de unión entre capas.

Los ensayos de flexión también mostraron una tendencia similar:

Muestras con 0,2 mm de grosor: La resistencia máxima a la flexión
fue de 43 N con una velocidad de impresión de 30 mm/s.

Muestras con 0,25 mm de grosor: Se observó una resistencia máxima
de 34 N con la misma velocidad.

Muestras con 0,3 mm de grosor: La resistencia máxima disminuyó a
33 N con una velocidad de 30 mm/s.

La resistencia a la flexión disminuye con el aumento del grosor de capa y
la velocidad de impresión, lo que es atribuible a la reducción en la calidad
de la unión entre capas.

Los resultados demuestran que la combinación de menor grosor de
capa (0,2 mm) y menor velocidad de impresión (30 mm/s) produjo las
mayores resistencias a la tracción y flexión en el material compuesto de
ABS. El uso de capas más finas permite una mejor adherencia entre capas,
resultando en una estructura más sólida.

Este estudio destaca la importancia de los parámetros de impresión
para optimizar la resistencia mecánica del filamento compuesto de ABS,
lo que es crucial en aplicaciones donde la precisión y la resistencia son
esenciales. Por lo que es esencial conocer para que utilizar cada uno de los
materiales y es un punto interesante para comprender qué tipo de material
utilizar.

2.2.3. Investigation of the Mechanical Properties of a Carbon
Fibre-Reinforced Nylon Filament for 3D Printing

El estudio investiga las propiedades mecánicas del filamento de nylon [13]
reforzado con fibra de carbono, utilizado en la impresión 3D mediante
fabricación de filamento fundido (FFF).


26

Figura 2.5: Filamento utilizado para la realización de la impresión con nylon.

La fabricación aditiva, y en particular la impresión 3D, ha
revolucionado la producción de componentes complejos ofreciendo costes
reducidos, tiempos de producción más rápidos y menor desperdicio
de material. El estudio se centra en el nylon reforzado con fibra de
carbono debido a su promesa de mejorar las propiedades mecánicas de
las piezas impresas en 3D, que tradicionalmente han sido limitadas por
los polı́meros puros utilizados.

Se utilizó un filamento de nylon-carbono compuesto por nylon 612 con
un 20 % de fibras de carbono, elegido por su alta resistencia al impacto y
buenas propiedades mecánicas. Se examinaron diferentes configuraciones
de impresión, incluyendo el grosor de la capa y el porcentaje de relleno,
utilizando una impresora 3D de bajo coste. Esta estructura es mostrada en
la Figura 2.55.

Los resultados revelaron que la orientación de construcción y el
porcentaje de relleno influı́an significativamente en la dureza y la
resistencia a la tracción de las muestras. La resistencia también se veı́a
afectada por las tensiones térmicas durante la impresión, mientras que
la resiliencia solo se veı́a afectada por la dirección de construcción. Se
observó que la relación entre las propiedades mecánicas y el factor de
llenado no era lineal.

Las pruebas mostraron que las muestras construidas en el plano XY
presentaban mayor dureza y resiliencia que aquellas en el plano XZ,
indicando que la orientación de las capas tiene un impacto significativo
en las propiedades mecánicas. Además, aumentar el porcentaje de relleno

5Imagen obtenida del artı́culo:https://doi.org/10.3390/machines8030052

https://doi.org/10.3390/machines8030052


27

generalmente incrementaba la dureza y la rigidez, aunque también
elevaba el costo del material y el tiempo de producción.

El estudio concluyó que la incorporación de fibras de carbono al nylon
mejora notablemente las propiedades mecánicas de las piezas impresas
en 3D, haciéndolas más adecuadas para aplicaciones estructurales. Sin
embargo, la selección de los parámetros de impresión, como la orientación
y el porcentaje de relleno, juega un papel crucial en la maximización
de estas propiedades. Los resultados también sugirieron que un enfoque
equilibrado que evite el exceso de material podrı́a optimizar tanto la
eficiencia del material como las propiedades mecánicas, adecuado para la
producción a gran escala.

Este estudio proporciona conocimientos valiosos sobre cómo las
configuraciones de impresión afectan las propiedades del nylon reforzado
con fibra de carbono, ofreciendo una guı́a para optimizar estas
variables para aplicaciones especı́ficas en industrias como la automotriz,
aeroespacial y deportiva.

2.2.4. 3D printing of PLA-TPU with different component
ratios: Fracture toughness, mechanical properties, and
morphology

El artı́culo [17] es un estudio sobre las propiedades mecánicas y la
tenacidad a la fractura del compuesto PLA-TPU (ácido poliláctico y
poliuretano termoplástico).

El poliuretano termoplástico (TPU) es un elastómero que ofrece
excelentes propiedades mecánicas, como flexibilidad y resistencia, junto
con una alta compatibilidad biológica. Debido a sus caracterı́sticas
elásticas, el TPU se mezcla con otros polı́meros, como el PLA, para mejorar
las propiedades mecánicas de las piezas impresas en 3D. El estudio analiza
diferentes proporciones de mezcla de PLA y TPU, evaluando la resistencia
a la compresión, la tracción y la flexión, entre otras propiedades mecánicas.

Tres composiciones de PLA-TPU (con 10 %, 30 % y 50 % de TPU)
se fabricaron mediante mezclado por fusión y posterior extrusión para
producir filamentos. Se imprimieron piezas de prueba con un modelo
de deposición fundida (FDM) y se evaluaron en términos de resistencia
a diferentes modos de carga. También se realizaron análisis térmicos
(DMTA) y de microscopı́a electrónica de barrido (SEM) para investigar la
microestructura.


28

Los resultados revelaron que, al aumentar el contenido de TPU, la
ductilidad y la tenacidad de las piezas impresas en 3D aumentan, mientras
que la resistencia y la rigidez disminuyen. En particular:

Resistencia a la Tracción: Los valores de resistencia a la tracción
disminuyeron con un mayor contenido de TPU, pero la capacidad de
deformación (elongación) aumentó considerablemente.

Resistencia a la Compresión: Hubo un patrón similar en los
resultados de compresión, donde la tenacidad aumentó con el
contenido de TPU. Resistencia a la Flexión: A mayor contenido de
TPU, las piezas impresas exhibieron una mayor capacidad de flexión
antes de la fractura.

Las pruebas de tenacidad mostraron que el compuesto con un mayor
contenido de PLA (90 %) tenı́a una resistencia significativamente superior
a la fractura. Sin embargo, el TPU mejoraba la capacidad de las piezas para
resistir la propagación de grietas al conferirles mayor flexibilidad.

Figura 2.6: Imágenes SEM que muestran el contenido de TPU

Las imágenes de SEM mostradas en la Figura 2.66, demuestran que
al aumentar el contenido de TPU, habı́a un mayor número de vacı́os y

6Imagen obtenida del artı́culo:https://doi.org/10.1016/j.jmrt.2022.11.024

https://doi.org/10.1016/j.jmrt.2022.11.024


29

cavidades, lo que afecta la integridad estructural. Esto se atribuye a la
naturaleza elástica del TPU, que puede complicar el proceso de impresión
y la adhesión entre capas.

El estudio concluye que la mezcla PLA-TPU tiene un gran potencial en
aplicaciones que requieren piezas con buena resistencia y flexibilidad, pero
los parámetros de impresión y la proporción de mezcla deben optimizarse
para cada aplicación especı́fica. El contenido de TPU mejora la resistencia
a la fractura y la ductilidad, aunque disminuye la resistencia general, lo
que implica un compromiso entre estas propiedades en función de las
necesidades del diseño.

Con este estudio se pretendı́a valorar si el TPU era óptimo para la
realización de estas imprensiones.

2.2.5. 3D Printing of Carbon Fiber Composite: The Future of
Composite Industry?

El artı́culo [18] analiza el potencial y los desafı́os de la impresión 3D de
materiales compuestos con fibras de carbono, centrándose en un enfoque
innovador llamado LITA (impresión térmica asistida en plano). Este
método permite la fabricación de piezas compuestas de alto rendimiento
con un alto contenido de fibra y flexibilidad en el diseño.

La combinación de la impresión 3D con materiales compuestos
reforzados con fibra de carbono es una revolución que tiene el potencial
de cambiar la industria de los materiales compuestos. Con el uso de LITA
y un brazo robótico, es posible fabricar piezas compuestas termofijas de
alto rendimiento, que son ligeras y ofrecen una gran libertad de diseño. La
técnica LITA permite mejorar el proceso de impregnación de las fibras con
resina, aprovechando la acción capilar para asegurar que las fibras estén
completamente impregnadas.

El enfoque LITA muestra un gran potencial para producir estructuras
complejas que serı́an difı́ciles de fabricar con métodos convencionales. La
capacidad de imprimir formas complejas, como estructuras verticales sin
soportes, o componentes en formas libres, abre nuevas oportunidades en
sectores como el aeroespacial y la automoción. También se pueden crear
piezas con altas densidades de fibra, ofreciendo una resistencia y una
rigidez superiores.

Como en todos los casos, presenta una serie de limitaciones:


30

1. Calidad de Unión entre Capas: La rápida curación de las resinas
puede dificultar la creación de uniones fuertes entre capas, afectando
la cohesión de las piezas.

2. Propiedades Mecánicas Dinámicas: Es necesario comparar la
resistencia y la tenacidad de estos materiales impresos con los
compuestos tradicionales para asegurar su aplicabilidad.

3. Costos y Compatibilidad: La inversión y la estandarización de
esta tecnologı́a aún deben desarrollarse para hacerla rentable en la
industria.

La impresión 3D de materiales compuestos con fibras de carbono tiene un
futuro brillante en la fabricación de piezas ligeras, resistentes y altamente
personalizables. Aunque quedan preguntas por resolver, la flexibilidad y
las posibilidades de diseño que ofrece prometen un cambio en la forma en
que se producen materiales compuestos en el futuro.

2.2.6. Effects of Printing Parameters on the Fit of
Implant-Supported 3D Printing Resin Prosthetics

El estudio [19] investiga cómo los parámetros de impresión influyen en el
ajuste de prótesis dentales de resina con soporte de implantes fabricadas
mediante impresión 3D, centrándose en el grosor de capa y la orientación
de construcción.

El equipo de investigación diseñó y fabricó un modelo dental que
simula una prótesis de tres unidades soportada por dos implantes. Usaron
un escáner para digitalizar el modelo y luego imprimieron cien prótesis
con una impresora 3D usando diferentes orientaciones (0°, 30°, 45°, 60° y
90°) y grosores de capa (50 µm y 100 µm). Utilizando micro-CT, midieron
el volumen del espacio interno (IGV) entre el modelo y la prótesis para
analizar la precisión del ajuste. Estos modelos se pueden observar en la
Figura 2.77.

7Imagen obtenida del artı́culo:https://doi.org/10.3390/ma12162533

https://doi.org/10.3390/ma12162533


31

Figura 2.7: Fases del modelado para las piezas dentales con resina.

Los resultados mostraron que la orientación de construcción influyó
significativamente en el ajuste de las prótesis. El volumen del espacio
interno fue menor en las orientaciones de 45°, 60° y 90° en comparación con
las demás. También encontraron que el grosor de la capa tenı́a un impacto
notable: las capas más finas (50 µm) resultaron en un IGV más pequeño
que las capas más gruesas (100 µm).

Para comparar la impresión 3D con métodos tradicionales, fabricaron
diez prótesis mediante fresado. Encontraron que las prótesis impresas
en 3D tenı́an volúmenes de espacio interno menores que las prótesis
fresadas, lo que indica un ajuste más preciso. Sin embargo, el valor de la
discrepancia marginal absoluta (AMD) fue mayor en las prótesis fresadas,
lo que apunta a una mejor precisión en los márgenes.

El estudio concluye que las prótesis dentales impresas en 3D con
soporte de implantes pueden alcanzar un ajuste comparable o incluso
superior al de las prótesis fresadas, siempre que se utilicen parámetros de
impresión adecuados. Recomiendan las orientaciones de construcción de
45° y 60° como las más favorables, ya que ofrecen un buen balance entre
ajuste marginal e interno.

De este estudio se obtuvo la información para la creación de cortes
pequeños y seleccionar su material adecuado. Para este caso, lo ideal serı́a
la resina.


32

2.3. Imprensión 3D en el ámbito profesional
En este apartado se van a desarrollar todos los artı́culos consultados para
distintos casos de uso de la imprensión en 3D en distintos ámbitos. Estos
se valorarán a modo de distintos casos de uso.

2.3.1. Propuesta para la incorporación del modelado e
impresión 3d para la enseñanza de ingenierı́a civil de
la universidad de costa rica

El estudio [20] examina la incorporación del modelado e impresión 3D en
la enseñanza de Ingenierı́a Civil en la Universidad de Costa Rica (UCR).

Figura 2.8: Modelo de un puente diseñado a partir de impresión en 3D.

La enseñanza de Ingenierı́a Civil enfrenta el desafı́o de captar la
atención de estudiantes de generaciones que prefieren tecnologı́a y
métodos didácticos activos. El estudio propone un plan para implementar
modelado e impresión 3D en los cursos de la carrera en la UCR. El objetivo
es mejorar la comprensión tridimensional y la retención de conceptos
mediante el uso de impresoras 3D no industriales, promoviendo ası́ la
innovación en la docencia. La Figura 2.88 es un ejemplo de modelo
realizado combinando los diseños en 3D con la docencia.

El enfoque cualitativo incluyó una revisión de los cursos del plan
de estudios, entrevistas con profesionales del campo, y un análisis de
las tendencias en modelado e impresión 3D para uso didáctico. Se
identificaron conceptos clave que podrı́an beneficiarse del uso de esta
tecnologı́a en varios cursos, los cuales se categorizaron según su capacidad
de implementación.

8Imagen obtenida del artı́culo:https://www.scielo.sa.cr/scielo.php?pid=
S2215-26442023000100460&script=sci_arttext

https://www.scielo.sa.cr/scielo.php?pid=S2215-26442023000100460&script=sci_arttext
https://www.scielo.sa.cr/scielo.php?pid=S2215-26442023000100460&script=sci_arttext


33

La propuesta sugiere una implementación en tres etapas:

1. Etapa de Concienciación, Motivación y Capacitación: Iniciar con
sensibilización, motivación y capacitación, para que docentes y
estudiantes se familiaricen con la tecnologı́a.

2. Implementación Pequeña Escala: Introducir el modelado e impresión
3D en aulas, laboratorios y proyectos a pequeña escala, en cursos del
primer grupo piloto.

3. Implementación Gran Escala: Finalmente, usar la tecnologı́a a gran
escala para materiales de construcción habituales.

Además de los cursos especı́ficos, se propone la organización de
actividades transversales como cursos complementarios, charlas,
concursos y blogs para fomentar la interacción entre estudiantes de
diferentes niveles.

La investigación concluye que es viable y beneficioso implementar la
impresión 3D en Ingenierı́a Civil en la UCR, recomendando el uso de
cursos que permitan su integración fácil. Esto mejorará la innovación, la
creatividad y la retención de conocimientos entre los estudiantes.

2.3.2. Arquitectura de servicio de impresión 3d para apoyar
estrategias de economı́a circular alrededor del reciclaje
de plástico en el entorno marı́timo-portuario

El artı́culo [21] proporciona un enfoque para apoyar la economı́a circular
mediante la arquitectura de un servicio de impresión 3D destinado al
reciclaje de plástico en el entorno marı́timo-portuario.

La acumulación de desechos plásticos en los océanos es un problema
ambiental serio, con más de 12 millones de toneladas acumuladas en
puertos, costas y el fondo del océano cada año. Un alto porcentaje de estos
residuos proviene de fuentes terrestres, como los desechos urbanos mal
gestionados, mientras que el resto se atribuye a la pesca y otras actividades
marı́timas. Este plástico tiene efectos negativos para el medio ambiente, la
fauna marina y las economı́as locales.

Para abordar este problema, el proyecto europeo CircularSeas
propone la reutilización de plásticos generados por las industrias
marı́timo-portuarias para desarrollar productos, piezas y componentes
ecológicos. Esto se hace aplicando principios de economı́a circular y


34

utilizando tecnologı́a de impresión 3D. El estudio explora cómo esta
tecnologı́a puede contribuir al reciclaje de plástico y a una fabricación
eficiente.

Los investigadores realizaron encuestas en industrias
marı́timo-portuarias para comprender la generación y gestión actual
de los residuos plásticos. Se identificaron más de 2800 toneladas de
residuos plásticos anuales, de las cuales más de 2500 eran reciclables. La
mayorı́a de estos residuos se gestionan mediante venta a empresas de
reciclaje, recogida privada o eliminación como residuos sólidos urbanos.

La encuesta también exploró el interés de las industrias en adoptar
la impresión 3D para sus operaciones. Se encontró que un 70 % de las
empresas estaban interesadas en utilizar impresoras 3D para respaldar sus
actividades. Identificaron productos que podrı́an fabricarse con plástico
reciclado, incluyendo tapas, soportes de rodamientos y gradillas, entre
otros.

La estrategia propuesta incluye un servicio integrado de impresión 3D
que permite a las empresas marı́timas seleccionar fácilmente los modelos
a imprimir y el material reciclado a utilizar, mientras que un proveedor
externo se encarga de la generación automática del código de impresión.
Esto se logra mediante un servicio local de impresoras 3D conectadas y un
servicio en la nube que realiza el troceado y configuración de impresión.

La impresión 3D puede ser una tecnologı́a habilitadora para la
economı́a circular en el entorno marı́timo. Proporciona una solución para
reciclar una amplia gama de plásticos, transformando los residuos en
nuevos productos personalizados. Al ofrecer una estrategia integrada,
el artı́culo demuestra cómo la impresión 3D puede ser accesible incluso
para usuarios sin experiencia, simplificando el proceso y fomentando un
enfoque más sostenible en la gestión de residuos plásticos.

2.3.3. Diseño y fabricación de generadores eólicos hı́biridos
de pequeña escala con impresión 3d

Este artı́culo [22] investiga la viabilidad de diseñar y fabricar generadores
eólicos hı́bridos de pequeña escala utilizando impresión 3D. Se enfoca en
generadores de eje vertical, una opción prometedora para generar energı́a
en zonas urbanas, dado su menor tamaño y capacidad para capturar el
viento desde cualquier dirección.

El diseño se basa en un modelo hı́brido de generador


35

Savonius-Darrieus, que combina las caracterı́sticas de ambos tipos
para aprovechar sus beneficios. Las palas aerodinámicas funcionan
como un generador Darrieus, mientras que los soportes semicirculares
generan arrastre como un rotor Savonius, mejorando el torque inicial y la
capacidad de auto-arranque. Se realizaron simulaciones computacionales
utilizando el software QBlade para estudiar el rendimiento de varios
perfiles aerodinámicos y determinar el mejor diseño para imprimir.

Figura 2.9: Generador eólico.

La fabricación se realizó mediante impresión 3D con polı́meros PLA
(ácido poliláctico) y ABS (acrilonitrilo butadieno estireno). Al dividir el
rotor en partes más pequeñas, se logró una mejor calidad de impresión,
mayor precisión en el ensamblaje y una adecuada terminación superficial.
Para mejorar el acabado, las piezas fueron sometidas a tratamientos
quı́micos que suavizaron la superficie y ayudaron a reducir defectos. La
Figura 2.99 muestra el resultado de imprimir cada una de estas piezas.

Las simulaciones mostraron que los perfiles asimétricos generaban
más torque inicial que los simétricos, lo cual facilita el auto-arranque
del generador. Los perfiles NACA 24112 y 254112 demostraron un
rendimiento superior en cuanto a coeficiente de potencia. La impresión 3D
de este generador resultó factible utilizando materiales como PLA y ABS,
siempre que se divida en partes para simplificar la fabricación y mejorar
el ensamblaje. Se concluye que, al combinar estos métodos numéricos y
técnicas de impresión 3D, es posible crear generadores eólicos hı́bridos
efectivos para entornos urbanos o remotos.

9Fotografı́as obtenidas del artı́culo:http://venus.ceride.gov.ar/ojs/index.php/mc/article/view/
6424

http://venus.ceride.gov.ar/ojs/index.php/mc/article/view/6424
http://venus.ceride.gov.ar/ojs/index.php/mc/article/view/6424


36

Este enfoque aportó un caso de uso más a este trabajo fin de grado.

2.3.4. Impresión de medicamentos en 3d en población
geriátrica: una mirada al futuro

El artı́culo [23] analiza la importancia de la impresión 3D de medicamentos
y su impacto en la población geriátrica, destacando cómo esta tecnologı́a
puede mejorar la adherencia terapéutica y reducir los riesgos asociados a
la polifarmacia.

La aprobación de Spritam®, el primer medicamento fabricado mediante
impresión 3D, por la FDA en 2015 marcó un hito en la personalización de
tratamientos. Esta tecnologı́a permite diseñar fármacos especı́ficos según
las necesidades individuales, mejorando la adherencia y seguridad en la
terapia. Es particularmente relevante para pacientes geriátricos que toman
múltiples medicamentos, facilitando la combinación de varios compuestos
activos en una sola pı́ldora.

La polifarmacia, definida como la ingesta de tres o más medicamentos
simultáneamente, es un problema predominante en la población geriátrica
debido a la coexistencia de múltiples enfermedades crónicas. El consumo
simultáneo de muchos fármacos aumenta el riesgo de interacciones
adversas y dificulta la adherencia al tratamiento.

La impresión 3D permite ajustar la dosificación, formulación y
liberación de los medicamentos, adaptándolos a las caracterı́sticas
individuales del paciente, como edad, comorbilidades y metabolismo. Se
han desarrollado varias técnicas para fabricar estos medicamentos:

Estereolitografı́a: Usa luz ultravioleta para solidificar resina lı́quida
capa por capa.

Inyección de tinta: Imprime mediante cartuchos de tinta y cabezales
que controlan la velocidad del flujo.

Sinterizado Láser Selectivo: Calienta partı́culas de polvo con un láser,
pero tiene un alto desperdicio de material.

Depósitos de Material (FFF): Deposita polı́meros fundidos capa por
capa.

La impresión 3D en medicina personalizada puede facilitar la adherencia
a tratamientos complejos en la población geriátrica y reducir el riesgo de
interacciones adversas. Sin embargo, la investigación sobre los beneficios,


37

limitaciones y desafı́os sociales y económicos de esta tecnologı́a está en
etapas tempranas, por lo que se necesitan más estudios.

2.3.5. Diseño e impresión en 3d de protectores de pantallas
faciales por docentes universitarios para proteger al
personal sanitario ante el covid-19

El artı́culo [24] analiza cómo la impresión 3D se usó para diseñar y
producir protectores faciales durante la pandemia del COVID-19. La
participación de los profesores universitarios fue clave para abordar la
escasez de material sanitario en un momento de urgencia.

Desde el comienzo de la pandemia, hubo una gran demanda de equipos
de protección individual (EPIs). Los protectores faciales eran cruciales
para los trabajadores de primera lı́nea. La impresión 3D surgió como una
solución para proporcionar estos equipos de forma rápida y eficiente.
Los profesores universitarios se unieron a un grupo de ”makers”para
coordinar la producción de protectores faciales utilizando impresoras 3D
y software de modelado.

El diseño se inició con un modelo básico descargado desde plataformas
en lı́nea, luego modificado con software como Tinkercad para adaptarlo a
los requisitos de la producción. Con el uso de diferentes programas de
diseño (Blender, FreeCAD, OpenSCAD), los modelos se ajustaron para
la impresión en masa. Usando impresoras de tecnologı́a FDM, el archivo
digital en formato STL se importaba al software de corte Cura para generar
el código G que controla la impresora.

Un grupo de más de 70 personas, incluidos profesores universitarios,
se organizó para compartir conocimientos, resolver problemas técnicos
y coordinar la logı́stica. Se establecieron varios coordinadores para
gestionar la producción, los pedidos y la distribución, mientras que un
espacio compartido en la nube almacenaba archivos y documentación. La
cooperación con la Policı́a Nacional y la Guardia Civil ayudó a entregar
los protectores a los profesionales sanitarios.

En dos meses, se imprimieron más de 8656 protectores faciales,
cumpliendo con los requisitos de los trabajadores sanitarios y otros
profesionales. Las impresoras funcionaron con un tiempo promedio de
2 horas y 30 minutos por unidad, con un consumo de 32 gramos de
PLA por protector. La respuesta rápida, la cooperación entre los ”makers 2

la flexibilidad de la tecnologı́a 3D demostraron ser un gran éxito en


38

la fabricación de material sanitario durante la emergencia. Además, la
participación de los docentes en este esfuerzo destacó el papel educativo
de la impresión 3D en fomentar valores como la cooperación, el trabajo en
equipo y la solidaridad.

2.3.6. Tecnologı́as de diseño y fabricación digital de bajo
coste para el fomento de la competencia creativa

Este artı́culo [25] trata sobre cómo las tecnologı́as de diseño y fabricación
digital de bajo coste, como la impresión 3D, pueden fomentar la
competencia creativa en la educación. Los autores destacan que las
impresoras 3D, junto con otras herramientas digitales accesibles, ofrecen
la oportunidad de convertir ideas en diseños digitales que luego se
transforman en productos reales.

La creatividad es una habilidad fundamental que capacita a las
personas para encontrar diversas soluciones a un mismo problema. En
entornos educativos, la competencia creativa se ha convertido en una
competencia transversal. El artı́culo propone un taller didáctico que utiliza
tecnologı́as de bajo coste para el diseño y personalización de objetos
articulados mediante impresoras 3D.

El taller, que contó con la participación de estudiantes universitarios,
incluı́a tres fases: diseño, personalización e impresión de un objeto
articulado. Los estudiantes usaron software de diseño como Tinkerplay
para crear un modelo digital de un muñeco articulado. Luego, el modelo
fue personalizado utilizando un escáner 3D para capturar la cabeza
del estudiante e integrarla al muñeco mediante el software Meshmixer.
Finalmente, las impresoras 3D fabricaron las piezas.


39

Figura 2.10: Resultados obtenidos.

Estos resultados se muestran en la Figura 2.1010. Mostraron que
los estudiantes encontraron la experiencia valiosa para desarrollar su
creatividad y familiarizarse con las impresoras y escáneres 3D. El test de
creatividad (TAEC) realizado después del taller indicó que los estudiantes
que participaron obtuvieron valores de creatividad similares a los de
carreras creativas como Bellas Artes. Además, expresaron un alto nivel de
satisfacción con la actividad y el uso de la impresión 3D.

La fabricación digital con impresoras 3D fomenta el desarrollo de
la competencia creativa al permitir la creación de múltiples soluciones
para un mismo problema. Este enfoque no solo es útil para estudiantes
de ingenierı́a, sino también para cualquier área que busque mejorar la
creatividad a través de la tecnologı́a. Los talleres diseñados con tecnologı́as
de bajo coste, accesibles para instituciones educativas, ayudan a los
estudiantes a adquirir estrategias innovadoras para resolver problemas.

2.3.7. Comportamiento al creep de un polı́mero utilizado
para impresión 3d

El artı́culo [26] explora el comportamiento al creep (deformación por
esfuerzo constante durante el tiempo) de polı́meros utilizados para la
impresión 3D, especı́ficamente el poli(ácido láctico) o PLA. El estudio

10Fotografı́a de los resultados obtenida del artı́culo:https://www.redalyc.org/pdf/5135/
513554411006.pdf

https://www.redalyc.org/pdf/5135/513554411006.pdf
https://www.redalyc.org/pdf/5135/513554411006.pdf


40

proporciona información clave sobre cómo este material termoplástico
responde bajo esfuerzos prolongados, y evalúa cómo distintos parámetros
de impresión influyen en su resistencia.

Figura 2.11: Macrografı́as de cada una de las muestras con distintos grosores.

La impresión 3D mediante Modelado por Deposición de Filamento
(MDF) ha ganado popularidad debido a la accesibilidad económica de las
impresoras y su versatilidad para crear prototipos y productos finales. El
PLA, un polı́mero termoplástico biodegradable, se ha convertido en uno
de los materiales más utilizados en este proceso debido a su baja huella de
carbono y facilidad de fabricación.

Los autores desarrollaron un protocolo de pruebas de creep en una
máquina de tracción especializada que permite mantener constantes la
temperatura (303 K) y la tensión aplicada (10, 20 y 30 MPa). Las probetas se
imprimieron con diferentes orientaciones de capa para observar los efectos
en la deformación.

Los resultados se muestran en la Figura 2.1111 y de la misma obtuvieron
las siguientes conclusiones:

1. Deformación por Creep: El PLA mostró una notable reducción en la
resistencia cuando se sometió a tensiones mayores a 20 MPa. A 30
MPa, el material experimentó una rápida transición al creep terciario
(fallo), con fracturas que ocurrieron en un ángulo de 45° respecto al
eje de tracción.

2. Orientación de Filamento: Las probetas con capas orientadas en
paralelo al eje de tracción resistieron mejor el creep que aquellas con
capas en ángulo de 45°. La estructura oblicua resultó en una mayor
deformación durante el tiempo.

11Fotografı́as obtenidas del artı́culo:https://doi.org/10.1590/S1517-707620180002.0412

https://doi.org/10.1590/S1517-707620180002.0412


41

3. Análisis Macrográfico: Se identificaron cavidades entre los filamentos
del material impreso, junto con una coalescencia significativa en las
probetas que fallaron a 30 MPa, sugiriendo un reordenamiento de las
cadenas poliméricas.

El estudio concluye que el PLA, aunque útil, tiene limitaciones de
resistencia bajo tensión prolongada. El creep se agrava con tensiones
superiores a 20 MPa y con orientaciones de filamento oblicuas al
eje de tracción. Se sugiere un modelo matemático para predecir el
comportamiento viscoelástico y orientar futuros diseños de piezas
impresas en 3D.

2.3.8. Impresión 3d como un recurso para desarrollar el
potencial matemático

El artı́culo [27] examina la implementación de la impresión 3D en un club
de matemáticas en Madrid y cómo este recurso potencia el desarrollo de
habilidades matemáticas en los estudiantes.

La impresión 3D se ha introducido en las aulas como una herramienta
que permite a los estudiantes diseñar, modelar e imprimir modelos
tridimensionales, conectando teorı́a con práctica. Es especialmente
útil para desarrollar habilidades de visualización y razonamiento
espacial, fomentando la integración de la tecnologı́a con matemáticas,
diseño e ingenierı́a. Además, brinda oportunidades para el aprendizaje
colaborativo y mejora la actitud de los estudiantes hacia las disciplinas
STEM (Ciencia, Tecnologı́a, Ingenierı́a y Matemáticas).

El club de matemáticas de la Scuola Italiana de Madrid es un entorno
donde estudiantes y docentes exploran conceptos matemáticos complejos
a través de problemas no estándar, utilizando la impresión 3D como un
medio para conectar diferentes áreas del conocimiento. Durante el periodo
2017-2019, se integraron actividades con la impresora 3D para enseñar a los
estudiantes las fases de diseño, modelado e impresión.

2.3.9. Brain age prediction: A comparison between machine
learning models using region- and voxel-based
morphometric data

El artı́culo [28] plantea un caso de estudio sobre los datos de resonancia
magnética de pacientes con Alzheimer. Los datos de escaneo médico
que se generan en estas máquinas se tratan de mapas tridimentsionales


42

compuestos de los resultados de diversas mediciones con campos
magnéticos a nivel profundo de los tejidos del paciente, con niveles de
detalle de décimas de milı́metro.

Para ello aplica un proceso de morfometrı́a basada en voxeles para la
discretización de los datos y los estudia mediante la seleccion de voxeles
relevantes en la materia gris y su posterior procesamiento con modelos
de machine learning para predecir la presencia de la enfermaedad de
Parkinson en los pacientes

2.4. Computación sin servidor
Al igual que se ha hecho en apartados anteriores en esta parte se van a
desarrollar los artı́culos vistos para desarrollar la parte de computación
sin servidor. Para ello se va a seguir el siguiente racionamiento:

Comprender el funcionamiento de AWS: AWS Lambda y S3.

Casos de uso con AWS.

Casos de uso aplicados a la impresión en 3D que utilicen AWS.

2.4.1. Serverless Architecture for Data Processing and
Detecting Anomalies with the Mars Express MARSIS
Instrument

En esta investigación cientı́fica se trata de agilizar la detección de
anomalı́as en la ionosfera de Marte [29], tradicionalmente realizada
mediante el procesamiento manual de ionogramas debido al alto nivel de
ruido en las frecuencias bajas. Una tarea tediosa e inviable a causa de los
más de 2 millones de ionogramas disponibles para su estudio en European
Planetary Science Archive. Se propone el uso de una arquitectura modular
basada en computación serverless para optimizar el procesamiento de los
datos.

El estudio automático de los ionogramas es posible en las frecuencias
mayores a 1.5MHz, pero dado que las frecuencias bajas se ven afectadas
por problemas de ruido y superposición de distintas marcas, como los
harmónicos de plasma y los ecos del ciclotrón de electrones que se
encuentra cerca del instrumento espacial que recoge la información, no
es posible.

Se exploró la posibilidad de usar computación en la nube en la
forma de computación serverless con MARSIS-AIS (modo del instrumento


43

MARSIS que permite estudiar la superficie de Marte) para poder estimar la
viabilidad de esta técnica en la investigación planetaria, técnica que ofrece
un tiempo de proceso de computación menor y la rápida identificación de
marcas en grandes conjuntos de datos.

La computación en la nube, especialmente el modelo IaaS
(Infraestructura como Servicio) posibilita la entrega inmediata de recursos
esenciales de cómputo, almacenamiento, redes y más, según la demanda
del usuario y con un esquema de pago por uso. Esto brinda la flexibilidad
de ajustar los recursos informáticos según las necesidades, evitando a los
usuarios los costos y la complejidad asociados con la adquisición, gestión
y mantenimiento de servidores fı́sicos e infraestructuras de centros de
datos.

Pero una de las mayores dificultades a la hora de desplegar un flujo
de trabajo cientı́fico en una nube IaaS,como en esta investigación, fue
la optimización del flujo de trabajo. Que finalmente se dividió en dos
subproblemas, el aprovisionamiento de recursos y la asignación de tareas.

Figura 2.12: Diagrama de la arquitectura serverless para MARSIS-AIS

En la Figura 2.1212 se puede observar la arquitectura serverless creada
para solventar esos dos subproblemas, una implementación en la que
utilizan los S3 para el aprovisionamiento de recursos y las funciones
lambda para ejecutar las tareas. Una arquitectura que únicamente usa dos
tipos de servicios estándar de computación serverless, que además divide

12Diagrama de la arquitectura obtenido del artı́culo:https://iopscience.iop.org/article/10.3847/
1538-3881/acd18d/meta

https://iopscience.iop.org/article/10.3847/1538-3881/acd18d/meta
https://iopscience.iop.org/article/10.3847/1538-3881/acd18d/meta


44

el flujo de trabajo en tres caminos según la frecuencia y el color especı́fico
del eco. Primero se realizó una división en el espacio de frecuencias
donde se podı́a situar el eco, posteriormente se determinó el color para
la detección del eco (verde), por lo que se realizó un camino para su
detección denominado green path, a continuación se utilizó una mascara
de color para la delimitación de la zona, y se realizó una doble inversión
para su identificación. Se ha usado como referencia en este trabajo para
habilitar dos caminos, uno de introducción de datos manual y otro de
cortes automáticos.

2.4.2. Secure and Efficient Transmission of Spatial Data
using Colored Quick Response (QR) Codes: A Case
Study for the EyE Project

Sistema de códigos QR (Quick Response) [30] a color para el cifrado
avanzado, que aprovecha los datos espaciales y optimizado en serverless,
superando a los sistemas convencionales en velocidad y costes.

En la actual era de la información es esencial garantizar una trasmisión
segura de los datos, especialmente cierto en esta investigación para los
datos espaciales utilizados en proyectos como el Eye, en el que se analizan
imágenes procedentes del espacio para detectar y prever los impactos del
COVID-19 en la Tierra. Se propone el uso de un método innovador que
utilizada códigos QR de colores para la encriptación y transmisión de
datos.

Se ha utilizado una biblioteca OpenCV para generar los códigos QR
de colores con el triple de almacenamiento de datos comparado con los
actuales. Una capacidad aumentada gracias a combinar los tres canales de
color: rojo, verde y azul. Además, la encriptación funciona con un método
en el que cada valor del color representa un valor de dato especı́fico, que
solo con la clave de color correcta se puede desencriptar, asegurando la
seguridad de los datos aunque se intercepte el código QR.

La aplicación aprovecha la computación serverless, especı́ficamente
FaaS (Function as a Service) utilizando AWS Amazon Web Service Lambda
por su fácil implementación, rentabilidad y escalabilidad.

En la Figura 2.1313 se puede observar la sencillez y simplicidad de
la arquitectura, utilizando solo cuatro funciones lambda, donde tres

13Diagrama de la arquitectura obtenido del artı́culo:https://opg.optica.org/abstract.cfm?uri=
fio-2023-FD6.6

https://opg.optica.org/abstract.cfm?uri=fio-2023-FD6.6
https://opg.optica.org/abstract.cfm?uri=fio-2023-FD6.6


45

Figura 2.13: Arquitectura serverless de los códigos QR de color

de ellas se ejecutan en paralelo y se reparten el trabajo, reduciendo
considerablemente el tiempo de procesamiento y consumo del servicio.
Su uso de la tecnologı́a serverless basado en las funciones AWS Lambda
se ha utilizado para implementar nuestras propias funciones.

2.4.3. A serverless computing architecture for Martian
aurora detection with the Emirates Mars Mission

Las tecnologı́as [31] de detección remota se han convertido en una
herramienta interesante para vigilar el medio ambiente de la Tierra, valiosa
información sobre catástrofes naturales, cambio climático, uso del suelo,
etc. Con la creciente disponibilidad de imágenes aéreas y de satélite de
alta resolución, se necesitan métodos de análisis de imágenes eficaces y
escalables para procesar y extraer información de esta ingente cantidad
de datos. Los métodos tradicionales de análisis de imágenes requieren
importantes recursos informáticos, lo que los hace poco prácticos para el
tratamiento de datos a gran escala.


46

Figura 2.14: Arquitectura utilizada para la detección de auroras marcianas en la misión
de Emiratos.

La arquitectura mostrada en la Figura 2.1414 esta diseñada para realizar
la clasificación de imágenes, la detección de objetos y la segmentación
de forma rápida y rentable. Utilizando OpenCV (biblioteca de visión por
ordenador) para tareas de procesamiento de imágenes como la reducción
de ruido, el umbral y la detección de bordes. Incorpora algoritmos de
aprendizaje automático para la detección y segmentación de objetos en
serverless con AWS.

Para hacer esta identificación se van a utilizar AWS Lambda para
hacer un preprocesado de la imagen. Estas funciones se encargarán de
abrir la imagen y redimensionarla. También se van a encargar de realizar
el preprocesado de las imágenes para su posterior entrenamiento en
SageMaker.

Por otro lado, se tiene la parte dedicada al entrenamiento que también
se muestra en la Figura 2.14. Está situada en la parte inferior. Esta
parte la realizará SageMaker mediante un conjunto de entrenamiento
de 1000 imágenes donde se indicarán donde está la aurora y Marte
respectivamente. El conjunto de entrenamiento se depositará en el S3 y
después se procesará por SageMaker para su detección.

Este trabajo ha sido utilizado para la realización del entrenamiento de
los distintos cortes. Para ello se ha visto cómo está estructurado en la
Figura 2.14 y se ha realizado una estructura similar para el mismo.

14Diagrama de la arquitectura obtenida del artı́culo:https://www.nature.com/articles/
s41598-024-53492-4

https://www.nature.com/articles/s41598-024-53492-4
https://www.nature.com/articles/s41598-024-53492-4


47

2.4.4. EYE-Sense: Empowering Remote Sensing with
Machine Learning for Socio-Economic Analysis

Este trabajo [32] muestra una plataforma denominada EyE-Sense que
facilita información socioeconómica a partir de una serie de datos de
observación, para este caso se hará una detección de aviones, barcos,
sombrillas y contenedores. Estudios previos han demostrado vı́nculos
entre indicadores de calidad del aire y del agua y la actividad económica.
EYE-Sense explota estos indicadores para proporcionar información
económica, incluyendo análisis de tráfico marı́timo y aéreo como factores
para la actividad turı́stica y comercial.

Figura 2.15: Implementación de los distintos outputs para la realización de cada uno de
los detectores


48

La tabla mostrada en la Figura 2.1515 muestra los distintos factores, ası́
como se han obtenido cada una de las imágenes para la detección en cada
uno de los campos y la metodologı́a utilizada para la realización de los
conjuntos de detección de cada uno de ellos. Para la detección de los barcos
se utilizó YOLOv5 en la que se utilizó el conjunto de entrenamiento de
Sentinel-1. Por otro lado, para la detección de los contenedores, aviones y
sombrillas se utilizó un modelo C-RNN con un conjunto de entrenamiento
DOTA basado en las imágenes por satélite.

Figura 2.16: Estructura de la página web combinada con la arquitectura

La Figura 2.1616 muestra cómo se combina la página web con la estructura
de AWS. Esta API está programada en Python y es donde se realizan las
detecciones en el backend. Una vez se realizan estas detecciones mediante
una coordinación con AWS, estos resultados se depositan en un S3 para
su posterior descarga por parte del usuario. Esta página web combina los
conceptos de procesado de imagen utilizados en Python con el machine
learning para su posterior detección. Toda la estructura está balanceada
entre la aplicación y el servidor de AWS de modo que el acceso a los datos
no es muy sencillo.

15Tabla obtenida del artı́culo:https://doi.org/10.1117/12.2681739
16Diagrama obtenida del artı́culo:https://doi.org/10.1117/12.2681739

https://doi.org/10.1117/12.2681739
https://doi.org/10.1117/12.2681739


49

Este proyecto ha servido para la realización de la plataforma en Python,
sobretodo, de hacerla más intuitiva con el usuario. La aplicación realizada
en este trabajo fin de grado tiene una arquitectura similar en lo que se
refiere a las AWS Lambda y a la estructura de la aplicación.

2.4.5. Volumetric CT-based segmentation of NSCLC using
3D-Slicer

Se ha realizado un estudio del artı́culo [33] el cual describe un caso
de uso donde se combina un slicer con tecnologı́as serverless. Se destaca
la importancia de la segmentación precisa en el cáncer de pulmón no
microcı́tico (NSCLC) para evaluar la respuesta al tratamiento y tomar
decisiones terapéuticas.

Para la toma de decisiones se tuvieron en cuenta las distintas
segmentaciones. Se menciona que la segmentación semiautomática con
3D-Slicer, la cual mostró una fuerte correlación con la patologı́a, lo que
sugiere que esta herramienta puede ser utilizada para un contorneo
preciso y estable, siendo más eficiente que las delineaciones manuales.
Al hacer estas delineaciones de forma manual puede haber un fallo en el
diagnóstico mientras que con este tipo de corte hay menos probabilidad
de fallo en el diagnóstico.


50

Figura 2.17: Diferencias entre el corte manual y el slicer para la detección de patologı́as.

La Figura 2.1717 muestra las diferencias de diámetro que hay entre los dos
tipos de corte, siendo el Slicer más preciso.

Por otro lado, para la realización de estos cortes necesitaron un conjunto
de entrenamiento, ya que, el slicer realizaba cortes basado en una IA.
El conjunto de entrenamiento que utilizaron fue el CET del hospital de
Maastricht. Este conjunto de datos fueron validados por un tribunal ético
previamente.

Este proyecto ha sido utilizado como referente para la realización de
cortes y el conjunto de entrenamiento. Además al comparar entre el corte
manual y el slicer se hace una evaluación más objetiva. Esta parte también
se agregó a la arquitectura porque daba a elegir al usuario entre un corte
más manual o más automático.

17Gráfica obtenida del artı́culo:https://www.nature.com/articles/srep03529#citeas

https://www.nature.com/articles/srep03529##citeas


51

2.5. Análisis y conclusiones
Este análisis repasa las aplicaciones y metodologı́as discutidas

anteriormente, destacando la utilidad y eficacia de las tecnologı́as de
computación serverless, con un enfoque particular en AWS Lambda para
el manejo de procesos paralelos y en tiempo real.

2.5.1. Eficiencia de AWS Lambda en Procesamiento Paralelo
AWS Lambda se ha mostrado como una herramienta valiosa para

ejecutar procesos en paralelo, mejorando la eficiencia en la gestión de
recursos y la escalabilidad. Esto resulta crucial en aplicaciones que
requieren el procesamiento rápido de grandes volúmenes de datos, como
en la segmentación de imágenes médicas y en la detección de patrones
complejos [31, 32].

2.5.2. Aplicaciones en 3D y Entrenamiento de Modelos
El uso de tecnologı́as de impresión 3D y el análisis de imágenes

se han beneficiado enormemente de integrar arquitecturas serverless.
Estas tecnologı́as permiten a los investigadores y técnicos enfocarse
en la innovación, minimizando la preocupación por la gestión de
infraestructuras informáticas complicadas [31].

2.5.3. Tecnologias Analizadas
Amazon S3: Esencial para el almacenamiento eficaz de grandes
cantidades de datos y archivos de modelos, asegurando un acceso
rápido y protegido durante el entrenamiento de modelos y la
ejecución de aplicaciones 3D.

AWS SageMaker: Ideal para entrenar modelos de aprendizaje
automático, brindando alta disponibilidad y escalabilidad que
facilitan la implementación y ajuste de modelos complejos.

Amazon EC2: Proporciona capacidades de procesamiento escalables
indispensables para el entrenamiento intensivo de datos y
aplicaciones de renderizado 3D.

Lambda + API Gateway: La combinación de AWS Lambda con
Amazon API Gateway permite crear APIs robustas y escalables,
necesarias para aplicaciones que demandan procesamiento en tiempo
real y una comunicación eficiente entre el frontend y el backend.


52

2.5.4. Consideraciones Finales
La arquitectura serverless, especialmente al combinarse con tecnologı́as

de aprendizaje automático y procesamiento de imágenes, ofrece una
solución factible en campos tan variados como la medicina, la astronomı́a
y la producción industrial. Al implementar estos sistemas, es crucial
considerar aspectos de seguridad, sobre todo en aplicaciones que manejan
datos sensibles, para asegurar que todos los componentes cumplen con los
estándares de protección de datos relevantes.


Capı́tulo 3. Metodologı́a y tecnologı́as
3.1. Malla STL

La malla STL, proveniente de las siglas en inglés “StereoLithography”
o “Standard Triangle Language”, es un tipo de formato de archivo usado
ampliamente en el campo de la impresión 3D. Este formato describe la
superficie de un objeto tridimensional mediante una red de triángulos.
Cada triángulo se especifica por las coordenadas de sus tres vértices y por
un vector normal que indica la dirección hacia afuera de la superficie del
objeto.

El formato STL es preferido en la industria de la impresión 3D debido a
su simplicidad y eficacia en el almacenamiento de información de formas
complejas de manera relativamente compacta. Sin embargo, una de las
limitaciones del formato STL es que sólo contiene información geométrica;
no almacena color, textura o otros atributos comunes en modelados más
detallados.

El uso de mallas STL es fundamental en el proceso de preparación de
impresión 3D, donde los modelos tridimensionales son convertidos en
instrucciones que las impresoras 3D pueden interpretar y ejecutar. Este
proceso involucra rebanar la malla STL en capas horizontales y traducir
cada capa en un camino que el extrusor de la impresora seguirá para
depositar el material, construyendo ası́ el objeto capa por capa desde cero.

3.1.1. Slicers
Un Slicer es un software que convierte la malla de un objeto 3D,

contenido en un archivo CAD (Aomputer Assisted Design) en formatos
como .OBJ, .STL o .AMF, en instrucciones para el hardware de la
impresora. Formato ”.GCode”para impresoras de deposición de material,
que contiene las instrucciones de los movimientos de los motores para la
extrusión del plástico, y formato ”.Photon”para impresoras SLA con los
mapas de cada una de las capas para el curado selectivo de las resina.
Los Slicer se encargan de las configuraciones de las piezas, resolución de
las capas, tipos de adhesión a la placa, porcentajes de relleno, soportes y
configuraciones para evitar las deformaciones e imperfecciones. El Slicer
herramientas básicas para configurar los modelos, puede desplazar la
pieza en toda la superficie de la placa para comprobar los diferentes

53


54

tiempos de impresión y generación de soportes según la orientación y
tiene acceso a herramientas básicas que permiten duplicar o cortar piezas.
Esta última herramienta permite ajustar cortes de manera manual en los
modelos según las necesidades del usuario.

3.1.2. Cura
Cura o Ultimaker Cura es una app del fabricante de impresoras

Ultimaker que actúa como slicer. Su motor, el CuraEngine, fue
desarrollado como alternativa al motor Skeineforge original de RepRap
cuando fue descontinuado. Cura es un conjunto de scripts de Pyhton que
permiten cargar, configurar y previsualizar los parámetros de la impresora
al usuario. Se trata de un softwarre que opera bajo licencia LGPLv3 lo cual
lo hace software libre y que cuenta con múltiples de addons y archivos que
contienen las definiciones de decenas de modelos, haciéndolo uno de los
softwares con mayor compatibilidad.

Se trata de uno de los más usados en el mercado, que se encuentra en
constante actualización y que es compatible con la mayorı́a de impresoras
comerciales. Ofrece una amplia cantidad de parámetros de configuración,
desde control manual de soportes, infill, y velocidades, hasta corte y
separación de piezas.

3.1.3. PrusaSlicer
PrusaSlicer es un fork del slicer Slic3r desarrollado originalmente bajo

la iniciativa RepRap, de código abierto gestionado por la fabricante Prusa,
los principales impulsores de impresoras 3D comerciales que cuentan con
los modelos más famosos como la Prusa MK3. Está desarrollado en c++

3.2. Modelado 3D
El modelado 3D es el proceso de creación de representaciones

digitales tridimensionales de objetos o superficies. Utilizando software
especializado, los diseñadores y técnicos convierten ideas y bocetos en
modelos precisos que pueden manipularse y examinarse en un espacio
virtual. Estos modelos son fundamentales en numerosas aplicaciones,
desde la animación y los videojuegos hasta el diseño industrial y la
ingenierı́a. Las herramientas de modelado 3D permiten la creación de
geometrı́as complejas que a menudo serı́an difı́ciles o imposibles de
construir en el mundo fı́sico, abriendo un vasto campo de posibilidades
en diseño y funcionalidad.


55

3.3. Impresión 3D
La impresión 3D es una forma de manufactura aditiva donde

un objeto tridimensional es creado por la superposición de capas
sucesivas de material. Los impresores 3D siguen instrucciones de datos
digitales provenientes de modelos 3D para crear objetos fı́sicos. Este
proceso ha transformado la producción de prototipos, permitiendo la
rápida fabricación de piezas y modelos para evaluación de diseño o
funcionalidad. La impresión 3D no solo acelera el desarrollo de productos
sino que también permite la personalización masiva, desde prótesis
médicas hasta componentes de aerospaciales, destacando su versatilidad
en diversas industrias.

3.4. Segmentación 3D
La segmentación 3D es una técnica crucial en el análisis y procesamiento

de imágenes tridimensionales, especialmente en campos como la
medicina y la biotecnologı́a, donde se utilizan imágenes de tomografı́a
computarizada o resonancia magnética. Esta técnica consiste en dividir
una imagen 3D en partes o segmentos que representan diferentes
regiones o estructuras con caracterı́sticas comunes. La segmentación
facilita la visualización detallada y el análisis cuantitativo de formas y
volúmenes internos de objetos o tejidos, permitiendo diagnósticos más
precisos y tratamientos personalizados. Es fundamental en la planificación
quirúrgica y en estudios biomecánicos, donde una comprensión exacta de
las dimensiones y estructuras internas es indispensable.

3.5. AWS Lambda

AWS Lambda 1 es un servicio informático sin servidor y basado en
eventos que le permite ejecutar código para prácticamente cualquier
tipo de aplicación o servicio backend sin necesidad de aprovisionar o
administrar servidores. La Figura 3.12 muestra el funcionamiento de AWS
al ejecutar el código.

1https://aws.amazon.com/es/lambda/
2Imagen obtenida de la web:https://aws.amazon.com/es/lambda/

https://aws.amazon.com/es/lambda/
https://aws.amazon.com/es/lambda/


56

Figura 3.1: Funcionamiento de Lambda para procesamiento de archivos

3.6. Amazon S3

Amazon Simple Storage Service (Amazon S3) 3 es un servicio de
almacenamiento de objetos que ofrece escalabilidad, disponibilidad de
datos, seguridad y rendimiento lı́deres en el sector. La Figura 3.24 muestra
cómo funciona la estructura de almacenamiento de AWS.

Figura 3.2: Esquema de funcionamiento de S3 de Amazon

3.7. AWS SageMaker

Amazon SageMaker 5 es un servicio totalmente administrado que
reúne un amplio conjunto de herramientas para permitir el machine
learning (ML) de alto rendimiento y bajo costo para cualquier caso de

3https://aws.amazon.com/es/s3/
4Imagen obtenida del enlace:https://aws.amazon.com/es/s3/
5https://aws.amazon.com/es/sagemaker/

https://aws.amazon.com/es/s3/
https://aws.amazon.com/es/s3/
https://aws.amazon.com/es/sagemaker/


57

uso, compatible con los principales marcos, conjuntos de herramientas y
lenguajes de programación de ML.

3.8. TensorFlow

TensorFlow 6 es una plataforma integral de código abierto para el
aprendizaje automático. Cuenta con un ecosistema completo y flexible de
herramientas, bibliotecas y recursos de la comunidad que permite a los
investigadores impulsar el estado del arte en ML y a los desarrolladores
crear y desplegar fácilmente aplicaciones impulsadas por ML.

3.9. Python

Python 7 es un lenguaje de programación ampliamente utilizado en
las aplicaciones web, el desarrollo de software, la ciencia de datos y el
machine learning (ML). Es eficiente y fácil de aprender, además de que
se puede ejecutar en muchas plataformas diferentes. Se puede descargar
gratis, se integra bien a todos los tipos de sistemas y aumenta la velocidad
del desarrollo.

3.10. Google Colab

Colab 8 es un servicio alojado de Jupyter Notebook que no requiere
configuración y proporciona acceso gratuito a recursos informáticos,
incluidas GPU y TPU. Colab es especialmente adecuado para el
aprendizaje automático, la ciencia de datos y la educación.

3.11. Jupyter Notebook

Jupyter Notebook 9 es una plataforma informática interactiva basada en
Internet. El cuaderno combina código en vivo, ecuaciones, texto narrativo,
visualizaciones, cuadros de mando interactivos y otros medios.

3.12. Kaggle
Kaggle es una plataforma en lı́nea que se enfoca en la comunidad

de ciencia de datos y machine learning. Es un lugar donde los usuarios
pueden encontrar y participar en competiciones de machine learning y
ciencia de datos, compartir y aprender de otros, y mejorar sus habilidades
en el campo.

6https://github.com/tensorflow/tensorflow
7https://aws.amazon.com/es/what-is/python/
8https://colab.google/
9https://jupyter.org/

https://github.com/tensorflow/tensorflow
https://aws.amazon.com/es/what-is/python/
https://colab.google/
https://jupyter.org/


Capı́tulo 4. Diseño de la solución inicial
4.1. Creación del sistema de corte

En el contexto de la manufactura aditiva, en particular la impresión
3D, existe una necesidad imperante de adaptar modelos tridimensionales
complejos a las restricciones fı́sicas de las impresoras, especı́ficamente las
dimensiones de la cama caliente, que es la plataforma sobre la que se
construye el objeto. Esta adaptación a menudo requiere la división del
modelo 3D original en partes más pequeñas que puedan ser impresas
individualmente y luego ensambladas para formar el objeto final. El
proceso de división implica cálculos geométricos y el uso de herramientas
de software que pueden manejar la representación matemática y fı́sica de
modelos 3D.

A nivel alto, el proceso de división de un modelo 3D se inicia con la
carga de la geometrı́a del modelo desde un archivo de formato STL, un
estándar ampliamente adoptado para la impresión 3D que representa la
superficie de un objeto mediante una malla de triángulos. La malla STL se
transforma en una estructura más flexible y manejable conocida como una
malla trimesh, que permite realizar cálculos complejos sobre la geometrı́a
del objeto.

Internamente, el modelo 3D se somete a un análisis para determinar
su altura total, y si esta supera la altura máxima permitida por la cama
caliente de la impresora, se procede a dividir el modelo. Esta división
se basa en un cálculo que involucra el número de cortes horizontales
necesarios para segmentar el modelo en partes que se ajusten dentro de
los lı́mites de altura de la impresora. Las secciones resultantes del modelo
original se obtienen efectuando cortes planos a lo largo del eje Z (altura) en
los intervalos calculados. Matemáticamente, esto se realiza a través de la
intersección de planos horizontales definidos por ecuaciones de la forma
z = k, donde k es la altura a la que se realiza el corte, con la geometrı́a de
la malla del modelo.

La salida de este proceso son varias mallas trimesh, cada una
representando una sección del modelo original que cabe en la cama
caliente. Estas mallas se pueden exportar de nuevo al formato STL para
su impresión. Este método asegura que cada sección impresa mantendrá
la integridad estructural necesaria y podrá ser ensamblada con precisión

59


60

para recrear el objeto deseado. Además, el proceso automatiza una
tarea que de otro modo serı́a manual y propensa a errores, asegurando
consistencia y precisión en la preparación de los modelos para la impresión
3D.

4.2. Modelo de entrenamiento por TensorFlow 3D

Voxel
Un voxel representa un valor singular en un espacio tridimensional,

similar a como un pixel representa un punto en un espacio bidimensional.
Esencialmente, un voxel es un cubo que define una posición en un espacio
de cuadrı́cula 3D, y se utiliza comúnmente en análisis volumétricos
y visualizaciones en medicina, geologı́a y en la creación de entornos
de juego. Cada voxel tiene atributos como posición, color, densidad o
transparencia. En el campo de la impresión 3D, la voxelización es el
proceso de dividir un objeto 3D en un conjunto de voxels para simplificar
su geometrı́a y permitir el análisis computacional y la fabricación.

Voxelización
El término “voxel” proviene de la combinación de las palabras

“volumétrico” y “pixel”. Mientras que un pı́xel representa un punto de
información en un espacio bidimensional, un voxel extiende este concepto
al espacio tridimensional. Cada voxel es un cubo (o prisma rectangular
en algunos casos) que constituye el bloque de construcción más pequeño
de un espacio 3D, de manera similar a cómo los ladrillos forman una
pared. En la conversión de modelos 3D a representaciones voxelizadas,
el proceso de voxelización implica la discretización de un objeto continuo
en un conjunto de voxels. Este procedimiento permite la manipulación
computacional de objetos tridimensionales y es esencial en campos como
la visualización médica, donde las imágenes de resonancia magnética o
TAC se representan como una serie de voxels para mostrar estructuras
internas del cuerpo humano.


61

Figura 4.1: Diferentes métodos de representación de objetos 3D por ordenador

Aunque el Voxel no es el método más extenso a en la representación de
gráficos en ordenador presenta claras ventajas a la hora de realizar grandes
números de cálculos sobre ellos. Otros métodos de representación como la
nube de puntos se suelen usar sobre escaneos fotogramétricos de objetos
reales para crear mallas lo más files posibles a la realidad o directamente
las mallas creadas con software de diseño por ordenador que se usan en
videojuegos o efectos especiales para el cine presentan problemas debido
a la cantidad de puntos con precisión en el espacio y cuyo procesamiento
puede llegar a requerir horas debido a que pueden contener millones de
triángulos que procesar.
Imaginemos, por ejemplo, una estatua representada en un modelo 3D.
Si queremos convertirla en una serie de voxels, dividirı́amos el espacio
que ocupa en una cuadrı́cula tridimensional y determinarı́amos si cada
sección del espacio contiene una parte de la estatua. Si es ası́, el voxel
correspondiente se marca como ”lleno”. Si no, se marca como ”vacı́o”. El
resultado es una representación de la estatua que se puede almacenar y
manipular en un formato digital, permitiendo simulaciones y análisis que
de otro modo serı́an difı́ciles o imposibles de realizar.

Redes Neuronales Convolucionales (CNNs)
Las redes neuronales convolucionales (CNNs, por sus siglas en inglés)

son un tipo de red neuronal artificial inspiradas por el proceso biológico
de visión en los seres vivos. Están diseñadas para tratamiento de
patrones visuales directamente desde los pı́xeles de las imágenes con
un preprocesamiento mı́nimo. Las CNNs se componen de una serie de
capas que aplican diversas operaciones matemáticas para transformar los
datos de entrada (como una imagen o, en el contexto 3D, una matriz de


62

voxels) en una forma que se pueda usar para tomar decisiones, como
la clasificación de imágenes. Se llaman Convolucionales porque realizan
operaciones de Çonvolucion”que permiten simplificar la cantida de datos
que se manejan. SI una imagen de 1000x1000 pixels se carga en una red
neuronal, se deben tratar en las diferentes capas más de 106 neuronas
en cada opreación de propagación de la red, realizando operaciones de
convolucion se puede reducir el espacio de operaciones sin comprometer
la dependencia de cada uno de estos datos.

Figura 4.2: Aplicación de convolución que transforma una matriz de entrada de datos de
3x4 usando un filtro de 2x2 en una mantriz de 2x3

Por ejemplo, si estamos intentando enseñar a una CNN a reconocer
diferentes frutas, la red aprenderá a identificar caracterı́sticas visuales
comunes de cada fruta, como la textura de la piel de una naranja o la
forma particular de una banana, mediante la aplicación sucesiva de filtros
convolucionales. Estos filtros son pequeñas ventanas que se desplazan por
toda la imagen y calculan la suma ponderada de los pı́xeles que cubren,
activándose cuando detectan patrones especı́ficos como bordes, esquinas
o texturas.

En el contexto 3D, una CNN extendida puede analizar matrices de
voxels para aprender a reconocer formas tridimensionales complejas,
como las piezas de un motor o los componentes de una silla de diseño, por
mencionar algunos ejemplos. La capacidad de las CNNs para aprender
estas caracterı́sticas les permite realizar tareas como la clasificación de
objetos 3D y la detección de formas, lo que es especialmente útil en la
impresión 3D y el modelado asistido por computadora.


63

Malla STL
Una malla es una representación de la superficie de un objeto

tridimensional compuesta por triángulos conectados. Cada triángulo se
define por sus tres vértices y una normal, que es un vector que indica hacia
dónde ”mira.el triángulo. El formato STL es estándar en la impresión 3D y
el modelado CAD por su simplicidad y su capacidad de ser interpretado
por la mayorı́a de los software de impresión 3D. Aunque no contiene
información de color o textura, es altamente eficiente para describir la
forma de un objeto. y contiene ciertas restricciones para asegurar la
impresión 3D sin errores como obligar a contener una malla sin agujeros
para asegurarse de que el modelo tiene una capa exterior para que el
software pueda saber donde hacer el relleno.

Pitch en Voxelización
En el contexto de voxelización, el término ’pitch’ se refiere a la distancia

entre los centros de dos voxels adyacentes, que es un parámetro crucial
para determinar la resolución de la cuadrı́cula de voxelización. Al ajustar
el ’pitch’, se puede controlar cuánto detalle del modelo original se
captura en la versión voxelizada. Un ’pitch’ pequeño captura más detalles,
mientras que un ’pitch’ más grande resulta en una representación más
gruesa y menos detallada.

4.2.1. Conversión de Modelos 3D a Representaciones
Voxelizadas y Entrenamiento de Redes Neuronales
Convolucionales

La transformación de modelos tridimensionales a una forma que pueda
ser comprendida y manipulada computacionalmente para aplicaciones de
machine learning es un proceso complejo que integra disciplinas como
la visión por computadora y la inteligencia artificial. En particular, la
conversión de archivos de malla STL a representaciones voxelizadas es
un paso crı́tico en la preparación de datos para el entrenamiento de
redes neuronales. La voxelización es un proceso que convierte una malla
tridimensional, compuesta por vértices y caras, en un conjunto de voxels,
que son el equivalente tridimensional de los pı́xeles.

El procedimiento comienza con la carga de la malla STL, que puede
consistir en una o varias geometrı́as unificadas. A continuación, se
determina la resolución del espacio voxel en función de una dimensión
deseada, ajustando la granularidad de la voxelización. Cada voxel tiene un


64

estado binario, que indica la presencia o ausencia de materia en el volumen
que representa. Matemáticamente, la transformación a una representación
voxelizada puede entenderse como la discretización del espacio continuo
de la malla en un espacio de grid tridimensional regular, donde se calcula
si cada celda del grid (voxel) está ocupada por el modelo original.

Posteriormente, la matriz de voxels generada se redimensiona para
asegurar que su tamaño es uniforme y consistente, una condición necesaria
para el procesamiento a través de redes neuronales. La matriz se ajusta
a un tamaño predefinido, creando una representación de resolución fija
del objeto 3D original, lo que permite su utilización en un modelo
normalizado de machine learning sin importar el tamaño original del
modelo.

Con la representación voxelizada estandarizada, se procede a la
construcción y entrenamiento de una red neuronal convolucional 3D
(CNN 3D). Las redes neuronales convolucionales son una clase de
redes profundas que han demostrado ser particularmente potentes en
tareas de visión por computadora. Las CNNs utilizan filtros o núcleos
convolucionales que se deslizan sobre la entrada volumétrica para
detectar patrones y caracterı́sticas espaciales a través de la operación de
convolución. En el caso de una CNN 3D, estos filtros se extienden en
las tres dimensiones, permitiendo que la red aprenda representaciones
espaciales complejas.

La arquitectura de la red incluye múltiples capas convolucionales,
seguidas de capas de pooling que reducen la dimensionalidad del
espacio de representación, capas completamente conectadas (densas)
que pueden capturar relaciones de alto nivel entre las caracterı́sticas
extraı́das, y capas de Dropout que ayudan a prevenir el sobreajuste.
El modelo se entrena mediante la minimización de una función de
pérdida (categorial crossentropy en clasificación multiclase) utilizando
un optimizador (Adam en este contexto), y se emplean técnicas como
el Early Stopping y Model Checkpointing para mejorar la eficiencia del
entrenamiento y conservar sólo los modelos más prometedores.

Finalmente, el modelo resultante de esta cadena de procesos puede
ser guardado y utilizado para realizar inferencias sobre nuevos datos,
clasificando objetos 3D basados en su geometrı́a voxelizada. Este enfoque
destaca la capacidad de las CNNs 3D para captar la riqueza de la
información espacial y su aplicación práctica en áreas como la detección
de objetos, la clasificación y la impresión 3D.


65

Modelado y Preparación de Datos para Segmentación 3D
mediante U-Net

Una arquitectura de red neuronal que ha demostrado ser
particularmente eficaz para estas este entrenamiento es la U-Net 3D,
una adaptación del modelo U-Net original que emplea operaciones
convolucionales en tres dimensiones.

El modelo U-Net 3D se compone de dos partes principales: el
codificador (encoder) y el decodificador (decoder). En la sección del
codificador, la red utiliza capas convolucionales para analizar el volumen
de entrada y extraer caracterı́sticas espaciales jerárquicas. Esto se logra
mediante el uso de filtros convolucionales que se desplazan a través
del volumen y activaciones no lineales que introducen complejidad y
permiten que la red aprenda representaciones de datos ricas y variadas.
Tras cada capa convolucional, se emplea una operación de agrupamiento
(pooling) para reducir la dimensionalidad y aumentar la robustez de las
caracterı́sticas detectadas frente a pequeñas variaciones y ruidos.

En el centro de la U-Net, un cuello de botella (bottleneck) procesa la
representación más compacta y abstracta del volumen. Esta representación
pasa luego al decodificador, donde se reconstruye gradualmente
la resolución espacial del volumen mediante capas de convolución
transpuesta, que realizan la operación inversa a la convolución,
expandiendo la dimensionalidad de los datos. En cada paso del
decodificador, se concatenan las caracterı́sticas aprendidas del codificador
correspondiente, un proceso conocido como ”skip connection”, que
permite que la red recupere información de resolución alta para una
segmentación más precisa.

El objetivo final de la U-Net 3D es la segmentación voxel por voxel
del volumen de entrada, categorizando cada voxel en una de las clases
predefinidas, lo que se logra mediante una capa de salida que aplica
la función de activación softmax a cada voxel, produciendo ası́ una
distribución de probabilidad multiclase.

Para preparar los datos de entrada para una red U-Net 3D, es necesario
convertir geometrı́as de malla STL en representaciones voxelizadas. La
voxelización implica discretizar el espacio continuo definido por la malla
STL en una cuadrı́cula tridimensional de voxels. Cada voxel representa
un elemento del volumen y puede estar ”lleno.o ”vacı́o”, según si una
porción del modelo original ocupa ese espacio. Este proceso se acompaña


66

de un redimensionamiento para ajustar la representación voxelizada a las
dimensiones fijas requeridas por la red.

Además, en el contexto de la segmentación, no solo se prepara el
volumen de entrada (X) sino también las etiquetas de salida (Y). Las
etiquetas son representaciones binarias del volumen donde cada voxel
está asignado a una categorı́a basada en su ubicación y las caracterı́sticas
deseadas del modelo final. Esta preparación de los datos es esencial para
que la red pueda aprender la relación entre los datos de entrada y las clases
de salida durante el proceso de entrenamiento.

El modelo U-Net 3D se entrena minimizando una función de pérdida
que mide la discrepancia entre las predicciones de la red y las etiquetas
verdaderas, utilizando un optimizador como Adam, que ajusta los pesos
de la red mediante el cálculo del gradiente descendente. El uso de
callbacks como la parada temprana (Early Stopping) y el punto de
control del modelo (Model Checkpoint) durante el entrenamiento permite
monitorear la evolución del aprendizaje y salvaguardar los mejores
modelos obtenidos, evitando ası́ el sobreajuste y asegurando que el
modelo sea generalizable a nuevos datos.

4.3. Evaluación de Modelos de Aprendizaje Profundo para
Análisis de Formas 3D

La aplicación de modelos de aprendizaje profundo en el análisis y
procesamiento de formas tridimensionales implica varios pasos crı́ticos,
desde la preparación de los datos hasta la interpretación de las
predicciones del modelo. La fase de evaluación de un modelo, en
particular, se enfoca en cómo este puede ser utilizado para realizar
inferencias a partir de datos nuevos y no vistos durante el entrenamiento.

Una vez que se tiene un modelo entrenado y guardado, como en el
caso de una red U-Net 3D que ha sido preservada en el formato HDF5
(una estructura de archivo para almacenar datos cientı́ficos), se puede
proceder a cargar este modelo para realizar predicciones. El primer paso
en la fase de evaluación es preparar el objeto 3D, representado por un
archivo STL, transformándolo en una matriz de voxels que el modelo
pueda procesar. Esta matriz se ajusta a la entrada esperada por la red, que
en este caso es una estructura de datos 5D debido a la necesidad de incluir
las dimensiones de batch y canales, aunque la última no es utilizada en
modelos monocanal.


67

El modelo U-Net 3D procede entonces a realizar la predicción,
generando un conjunto de probabilidades que describen la clasificación
del objeto en las categorı́as que ha aprendido durante su entrenamiento.
En el contexto de un modelo de clasificación binaria, la salida será un
tensor que contiene probabilidades para las dos clases. Por ejemplo, un
tensor con valores [ 0.619693577 , 0.380306423 ] [0.619693577,0.380306423]
indica que el modelo asigna una probabilidad del 61.97 % a la primera
clase y 38.03 % a la segunda para ese voxel especı́fico.

Interpretación de Predicciones en Análisis de Formas 3D
Una vez disponemos de un modelo de aprendizaje profundo, como la

red U-Net 3D, almacenado en un formato HDF5, podemos cargarlo para
realizar inferencias en nuevos conjuntos de datos. La preparación de estos
datos implica la transformación de un objeto tridimensional, codificado
inicialmente en un archivo STL, a una representación en forma de matriz
de voxels que se ajuste a la entrada del modelo. Esta representación se
expande añadiendo dimensiones que corresponden al tamaño del lote y a
los canales requeridos por el modelo.

Al aplicar la red U-Net 3D a la matriz de voxels, se obtiene como salida
un conjunto de probabilidades que reflejan la clasificación del objeto en
términos de las categorı́as que el modelo ha aprendido. Para un modelo
que clasifica entre dos posibles resultados, la red produce un tensor que
contiene las probabilidades asociadas a cada clase. Por ejemplo, un tensor
con un conjunto de valores como [0,619693577, 0,380306423] indica que la
red atribuye una probabilidad de 61,97 % para la primera clase y 38,03 %
para la segunda clase en la ubicación del voxel respectivo.

A continuación se presenta un fragmento de código que ilustra cómo
se podrı́an mostrar los resultados de predicción de la red U-Net 3D en un
documento LATEX:

Predicciones del Modelo U-Net 3D:



Pclase 1 Pclase 2

0,6196 0,3803
0,9026 0,0973

... ...
0,6159 0,3840
0,7159 0,2840


Estos resultados permiten determinar la confianza del modelo en

su clasificación para cada voxel. La interpretación precisa de estas
probabilidades es fundamental en contextos como la fabricación aditiva,


68

donde se requiere una alta precisión voxel a voxel para asegurar la calidad
final del objeto fabricado.

El análisis y la interpretación cuidadosa de estas probabilidades
permiten a los usuarios y profesionales tomar decisiones informadas
en la aplicación práctica de modelos de aprendizaje profundo para el
análisis de formas tridimensionales. Este paso es crucial porque adapta la
forma tridimensional a un formato que la red neuronal puede procesar
eficientemente. Una vez voxelizado el modelo, se añaden dimensiones
adicionales requeridas por la red, como la dimensión de lote y canales,
preparando ası́ los datos para ser evaluados por el modelo.

El modelo de red neuronal, que debe ser previamente entrenado con
datos relevantes y bien etiquetados, evalúa la matriz de voxels. Utilizando
su conocimiento aprendido, el modelo predice las regiones del modelo 3D
donde los cortes serán más eficaces y eficientes, teniendo en cuenta factores
como la integridad estructural del objeto y la optimización del material.

La salida del modelo es una serie de probabilidades o clasificaciones
que se interpretan como las coordenadas de corte recomendadas. Estas
coordenadas se procesan luego en un formato legible y práctico,
generalmente como pares o trı́os de números que representan puntos
en el espacio 3D del modelo. Estos datos se exportan finalmente a un
archivo .txt, el cual puede ser utilizado por software de impresión 3D o
por operadores de máquinas para realizar los cortes fı́sicos.

4.4. AWS Path
Ya con la aplicación funcionando en Google Colab, se decidió utilizar

Amazon Web Service (AWS) para ejecutar el código mediante varios hilos,
agilizar el procesamiento de entrenamiento mediante SageMaker y reducir
el costo de la misma.

Primero se realizó un estudio a fondo de todas las estructuras de AWS
y SageMaker para decidir cuáles eran más adecuadas para la aplicación.
Por ello, se empezó eligiendo AWS Lambda para la ejecución del código
mediante hilos. A continuación se determinó qué tipo de almacenamiento
para guardar cada uno de los resultados intermedios. El almacenamiento
elegido es S3 por su capacidad para el almacenamiento, siendo como
un Drive de Amazon, y por disparar las funciones Lambda una vez se
sube un archivo. Por último, se utilizó SageMaker para el conjunto de
entrenamiento por su velocidad de procesado de una gran cantidad de
datos.


69

Se realizaron distintas arquitecturas hasta llegar a la última, ya que,
se probaron distintos módulos para optimizar el procesado en machine
learning y las funciones de corte en Python.

4.4.1. Estudio de AWS y SageMaker
Se inició el proyecto con un análisis detallado de las diferentes opciones

y servicios que ofrece AWS, especialmente enfocados en SageMaker, que
es una herramienta diseñada especı́ficamente para facilitar y agilizar el
entrenamiento de modelos de machine learning. Este estudio ayudó a
entender mejor cómo cada servicio podrı́a integrarse y contribuir a la
eficiencia del proyecto.

4.4.2. Implementación de AWS Lambda
AWS Lambda fue seleccionado por su capacidad de ejecutar código

en respuesta a eventos, lo cual es ideal para manejar múltiples hilos
de ejecución sin la necesidad de gestionar servidores. Lambda permite
ejecutar pequeños fragmentos de código que pueden ser activados
automáticamente, lo cual es esencial para procesar datos de forma eficiente
y escalable.

4.4.3. Uso de Amazon S3 para almacenamiento
Amazon S3 fue elegido por su robustez y escalabilidad como

solución de almacenamiento. Funciona muy bien para guardar resultados
intermedios de los procesos de Lambda, ya que cada vez que un archivo
se carga en un bucket de S3, puede disparar automáticamente funciones
Lambda relacionadas. Esto es crucial para automatizar flujos de trabajo y
asegurar que los datos necesarios estén disponibles para el siguiente paso
del proceso sin intervención manual.

4.4.4. Optimización con Amazon SageMaker
SageMaker se utilizó para manejar el entrenamiento de los modelos

de machine learning debido a su capacidad de procesamiento rápido
de grandes volúmenes de datos. SageMaker ofrece herramientas que
simplifican el entrenamiento y despliegue de modelos, permitiendo que el
equipo se concentre más en el desarrollo del modelo y menos en la gestión
de la infraestructura.


70

4.4.5. Evaluación y Optimización de la Arquitectura
A lo largo del proyecto, se evaluaron y optimizaron varias

arquitecturas. Este proceso de iteración ayudó a identificar las
configuraciones más eficientes para el entrenamiento de modelos y la
ejecución del código. Se probaron distintos módulos y técnicas de corte
en Python para mejorar continuamente el desempeño y la eficacia del
sistema.


Capı́tulo 5. Desarrollo de la arquitectura
5.1. Introducción a la arquitectura

Local User Action

APP - Local Interface

3D CNN - ML Cut

Smart Cut Coordinates

3D CNN - Train

Sm
ar

t C
ut

 C
oo

rd
in

at
es

AWS
Lambda

Amazon
S3

Amazon
S3

IN: .txt (size)
& .stl

.zip with
Smart cut
parts (.stl)

3D
 C

N
N

 - 
M

L 
C

ut
.h5p Pre-Train Model

func: arg: .stl out: .txt

.txt with ML
coordinates

3D
 C

N
N

 - 
Tr

ai
n

.stl original and cut
parts

.h5p Train model

Figura 5.1: Diagrama general de la arquitectura realizada: Por un lado se presenta el
módulo de la aplicación en local donde el usuario puede elegir cómo realizar los distintos
cortes. Según se decidan estos cortes se irán realizando las funciones de la derecha.

El propósito fundamental del proyecto desarrollado es explorar la
eficacia de implementar técnicas de computación avanzadas minimizando
el uso de recursos locales. Este enfoque se basa en la hipótesis de que
la delegación de tareas computacionales a la nube podrı́a representar un
ahorro significativo, tanto en términos de inversión en hardware como en
su mantenimiento asociado. Adicionalmente, se busca escalar la capacidad
de procesamiento de datos; mientras que la manipulación de un archivo
en un entorno local es factible, la gestión de miles de archivos o el

71


72

entrenamiento de múltiples modelos introduce un desafı́o computacional
considerable.

En esta lı́nea, el análisis vectorial y la adquisición de hardware intensivo
podrı́an ser soluciones posibles. Sin embargo, optamos por aprovechar las
estrategias y herramientas sugeridas en la literatura académica relevante
para el trabajo. Un ejemplo es la utilización de plataformas en la nube
como Amazon Web Services. Inicialmente, validamos la viabilidad del
proceso mediante Google Colab, potenciando los cuadernillos con TPUs
y GPUs propias de Google, para agilizar el entrenamiento de modelos.

A pesar de los resultados positivos, la meta era lograr un procesamiento
altamente paralelo y eficiente. Con este fin, adoptamos el enfoque
serverless proporcionado por AWS, integrando un panel de control en un
cuadernillo de Google Colab. Este panel permite a los usuarios de Jupyter
Notebook, Kaggle, o Google Colab, interactuar con AWS SageMaker y
Lambda. En lugar de realizar inferencias directamente en SageMaker, que
podrı́a incrementar los costos y el tiempo de ejecución, se implementó una
función intermedia en AWS Lambda para activar procesos en SageMaker.
Este ajuste se realizó tanto para tareas de entrenamiento como para
detecciones puntuales. Nuestro panel de control facilita el disparo de tres
funciones esenciales, con el objetivo de crear un entorno hı́brido accesible
tanto para usuarios locales como en la nube.

5.2. Modelo de panel de control
El acceso al panel de control se realiza a través de un cuadernillo

programado en Python, el cual es compatible con distintas plataformas
como Kaggle, Jupyter Labs, y Google Colab. La premisa esencial para
la operación efectiva en el entorno local es la configuración adecuada
del cliente de Amazon Web Services, lo que requiere una configuración
inicial con las credenciales suministradas por Amazon. Esto simplifica
la interacción del usuario con la consola de comandos, limitando dicha
configuración a una sola vez. Dado que los detalles de configuración
son privados, cada usuario o entidad debe operar con una cuenta AWS
individual, a menos que el sistema se configure en un entorno público,
donde el acceso a recursos compartidos sea intencionado.

Una consideración crucial es la gestión de recursos para prevenir
el uso descontrolado y posibles incrementos de costos. Por ende, la
implementación de la arquitectura se recomienda en sistemas privados.
El panel de control diseñado es intuitivamente sencillo y consta de


73

tres funciones principales: entrenamiento, corte convencional y corte
inteligente. Utilizando un archivo STL de malla 3D, el usuario puede
cargarlo en un archivo ZIP y a través de un botón, iniciar un proceso en
SageMaker que entrena el modelo y almacena los resultados en un bucket
de S3.

Para operaciones de corte, simplemente se sube el archivo STL y se
especifican las coordenadas de corte; al activarse, una función Lambda
se encarga del proceso. Finalmente, para la función de corte inteligente,
con un archivo STL y un modelo previamente entrenado almacenado en
S3, el usuario puede ejecutar la detección mediante SageMaker con solo
pulsar un botón, resultando en los modelos procesados que se almacenan
en formato TXT.

Figura 5.2: Panel de Control en cuadernillo con proceso de AWS para la detección y
procesamiento de modelos 3D. Se sube un archivo ZIP que desencadena el entrenamiento
de un modelo en SageMaker. Un archivo .STL es procesado por una función Lambda
para cortes serverless en coordenadas especı́ficas, mientras otro archivo .STL se utiliza
directamente para la detección mediante SageMaker.

Este enfoque, descrito en la ruta de procesos de la figura 5.2,
proporciona una estructura eficiente y escalable para el procesamiento de
modelos 3D.


74

5.3. Entrenamiento en SageMaker con TensorFlow
Iniciamos la etapa de entrenamiento con Amazon SageMaker utilizando

un archivo .zip que incluye el archivo STL original y versiones
segmentadas del mismo. El objetivo es llevar a cabo un entrenamiento
avanzado utilizando redes neuronales convolucionales 3D en TensorFlow
para construir un modelo de detección preciso. Este proceso, discutido
en capı́tulos previos, está sujeto a ciertas restricciones; especı́ficamente, la
eficiencia del entrenamiento está directamente relacionada con la cantidad
de datos disponibles. Un conjunto de datos con pocos elementos para
el entrenamiento resultará en un modelo menos óptimo, aunque todavı́a
funcional. Por el contrario, cuantos más datos se procesen y más variados
sean los segmentos disponibles, más efectivo será el entrenamiento y, por
ende, más acertada será la detección futura.

Figura 5.3: Arquitectura de AWS para entrenamiento y despliegue de modelos de ML.
Un archivo ZIP subido a S3 dispara una función Lambda, que a su vez inicia un proceso
de entrenamiento en SageMaker. El modelo entrenado se utiliza luego para inferencias,
cuyos resultados son encaminados al destino final.

El procedimiento, visto en la figura 5.3, comienza con la carga del
archivo .zip a través del panel de control, que lo transfiere a un bucket
de Amazon S3. Esta acción activa automáticamente un trigger que invoca
una función Lambda diseñada para descomprimir y preparar los archivos
para el entrenamiento. Posteriormente, estos datos se dirigen a un modelo


75

de entrenamiento en SageMaker, cuyo tiempo de ejecución varı́a según la
cantidad de épocas establecidas y la complejidad del modelo. En nuestro
ejemplo como se puede observar en la Figura 5.4, un entrenamiento básico
con alrededor de 100 epocs es adecuado para obtener un modelo inicial.

Figura 5.4: Entrenamiento en Google Colab

Como medida de optimización de costos, se elimina cualquier
dato residual post-entrenamiento del bucket de S3 para evitar gastos
adicionales. El modelo resultante, ya entrenado, se almacena de nuevo en
S3, desde donde puede ser descargado y utilizado sin inconvenientes en la
función de detección de SageMaker.

5.4. Configuración y despliegue de una función Lambda en
AWS

En este paso se describe el proceso para configurar y desplegar una
función AWS Lambda con el propósito de automatizar tareas basadas en
eventos en AWS. La implementación se realiza para reducir la necesidad
de gestionar servidores fı́sicos, optimizar recursos y mejorar la eficiencia
operacional. Detallaremos la instalación y configuración de AWS CLI, la
creación de roles IAM, la preparación del código de la función Lambda,
su creación y configuración a través de AWS CLI, y la configuración de S3
como trigger para la función Lambda.


76

1. Instalación y configuración de AWS CLI:

Descargar e instalar AWS CLI versión 2 desde el sitio oficial de AWS.

Ejecutar aws configure en CMD o PowerShell para configurar las
credenciales de AWS (AWS Access Key ID, AWS Secret Access Key),
la región predeterminada (e.g., us-east-1), y el formato de salida (e.g.,
json).

2. Creación de roles IAM y polı́ticas:

Usar IAM para crear un rol especı́fico para Lambda con polı́ticas
que permitan el acceso a servicios de AWS necesarios, incluyendo
AmazonS3FullAccess y AWSLambdaExecute.

3. Preparación y carga del código de la función Lambda:

Preparar el entorno virtual y activarlo.

Instalar dependencias con pip install numpy numpy-stl trimesh

boto3.

Empaquetar el código y las dependencias en un archivo ZIP y subirlo
a Lambda o S3.

4. Creación y configuración de la función Lambda utilizando AWS
CLI:

Utilizar aws lambda create-function con parámetros adecuados
para la función.

Ajustar configuraciones adicionales como tiempo de ejecución y
memoria con aws lambda update-function-configuration.

5. Configuración de S3 como trigger de la función Lambda:

Configurar triggers en AWS Lambda para que eventos en un bucket
S3 activen la función, especificando el tipo de evento y filtros de
archivo.


77

5.5. Arquitectura de corte en serverless por coordenadas
La función de corte por coordenadas mostrada en la Figura 5.6 se

implementa para facilitar la segmentación precisa de componentes 3D
según especificaciones detalladas. El procedimiento inicia con la carga de
un archivo STL al servicio Amazon S3, acompañado de un archivo XML
que detalla las coordenadas exactas de los cortes deseados (ver Figura
5.5). Este XML se utiliza como entrada para una función AWS Lambda
diseñada especı́ficamente para esta tarea.

Figura 5.5: Voxelización por coordenadas

Dentro de Lambda, el archivo STL se procesa utilizando algoritmos
especializados en corte 3D, los cuales ejecutan la segmentación basándose
en las coordenadas proporcionadas. La función está configurada para
acceder al archivo STL a través de un bucket de S3 intermedio, lo
que garantiza que el proceso es escalable y manejable dentro de la
infraestructura de AWS.

Una vez completado el corte, los fragmentos resultantes se almacenan
automáticamente en otro bucket de S3. Desde este punto, los archivos
pueden ser descargados para su uso inmediato, como podrı́a ser el
entrenamiento de modelos de machine learning más refinados o para fines


78

prácticos tales como la impresión 3D. De esta forma se realiza un trabajo
eficiente y preciso, eliminando la necesidad de operaciones manuales y
mejorando la precisión del corte 3D.

Figura 5.6: Secuencia de acciones en AWS para el procesamiento de datos. La función de
AWS Lambda procesa un archivo de S3 y almacena el resultado en el S3 final, en este
proceso se realiza el corte por coordenadas puestos en un .txt en S3.

5.6. Arquitectura de detección inteligente por modelo en
SageMaker

Finalizamos la serie de procesos con la implementación de una solución
de detección en SageMaker (ver Figura 5.7), utilizando un modelo de
machine learning ya entrenado y almacenado en Amazon S3. Este modelo,
que ha sido desarrollado en etapas previas, debe ser lo suficientemente
robusto y sofisticado para determinar los puntos de corte óptimos en
una figura 3D, lo que es crucial para la impresión 3D de alta calidad.
La efectividad del modelo depende en gran medida del volumen y la
variedad de datos utilizados durante su entrenamiento: un conjunto de
datos extenso y diverso conducirá a un rendimiento superior.

Al utilizar nuestro panel de control, subimos el archivo STL a un
bucket especı́fico de S3. La adición de este archivo desencadena un trigger
que invoca una función Lambda. La función tiene un único propósito:
transferir el archivo STL al entorno de detección de SageMaker. SageMaker


79

Figura 5.7: Cadena de procesos para SageMaker, el documento.stl subido a S3 activa
SageMaker a través de una función Lambda para procesar datos, resultando en un archivo
de texto como salida con las coordenadas al usar el modelo entrenado.

luego procede a cargar el modelo previamente almacenado en S3 y
efectúa la detección. El resultado de este proceso es un archivo de texto
(.TXT) que contiene las coordenadas de corte precisas, definidas por el
modelo entrenado, listo para ser utilizado en aplicaciones subsecuentes,
ya sea para más entrenamiento o para la producción final mediante
impresión 3D. Ası́ nos aseguramos de tener un proceso de detección
altamente eficiente y automatizado, reduciendo la intervención manual y
optimizando el flujo de trabajo de impresión 3D.


Capı́tulo 6. Resultados, mediciones y
conclusiones

6.1. Metodologı́a de Pruebas de Medición y Costos
Para realizar las pruebas de medición necesarias, se dispuso de una

baterı́a de pruebas diseñada especı́ficamente para someter a estrés la
función de corte por coordenadas. Esta función, denominada función
lambda, es crucial en el proceso y fue sometida a pruebas rigurosas junto
con las funciones utilizadas en SageMaker para la medición de tiempos.
Se empleó un mismo archivo replicado bajo diferentes nombres en un
conjunto de 1000 unidades para el corte y procesamiento por coordenadas.
La ubicación de la coordenada de corte fue establecida exactamente en la
mitad de los tres ejes, asegurando ası́ que cada pieza fuera cortada por
su centro, resultando en la separación simétrica de la pieza en una parte
superior y una parte inferior. Este diseño garantiza que todas las pruebas
proporcionen datos consistentes tanto para la medición de costes como de
tiempos.

El archivo utilizado en estas pruebas fue luego empleado para entrenar
un modelo de red convolucional 3D en SageMaker, con el objetivo de
medir tanto los tiempos de ejecución como los costos asociados. Dado que
cada función puede ejecutarse múltiples veces, el número de ejecuciones
n puede variar en función del coste asignado a los servicios de Amazon
Web Service (AWS). En este caso, al tratarse de una cuenta de prueba
inicial, el lı́mite se fijó en 10 ejecuciones. Sin embargo, una cuenta
profesional serverless en AWS podrı́a permitir hasta 1000 ejecuciones o
más, dependiendo del plan contratado. Normalmente, las pruebas de
costos se realizan considerando mil ejecuciones simultáneas, ya que el
coste de una ejecución es el mismo que el de mil ejecuciones simultáneas
debido a que se manejan en lotes.

Una vez entrenado el modelo y desplegado en SageMaker, se procedió
a calcular el tiempo de ejecución promedio y los costos asociados,
dependiendo de las especificaciones del modelo. Además, se realizó la
detección del objeto procesado para verificar si el sistema logra detectar
correctamente las coordenadas de sus dos partes divididas. Estos procesos
también fueron evaluados en términos de tiempo de ejecución y coste.
Finalmente, una vez completada toda la baterı́a de pruebas, se procedió

81


82

a realizar los cálculos del coste final y del coste computacional en AWS
para cada ejecución y para el conjunto total de operaciones, desde el corte
hasta la detección de las partes.

6.2. Aproximación de Costes
Dado que el número n en un lote de ejecución de AWS representa la

cantidad de lotes de 1000 archivos, se procede a la aproximación de costes,
considerando la variabilidad de los precios de AWS.

Los costos de AWS Lambda se calculan de la siguiente manera:

Costo Lambda por Función = Costo por Petición + Costo por Computo

Primera Función (256 MB, 20 s) =
n

106 × 0,2 +
(

256
1024

× 20
)
× n × 0,00001667

Segunda Función (256 MB, 15 s) =
n

106 × 0,2 +
(

256
1024

× 15
)
× n × 0,00001667

Tercera Función (256 MB, 5 s) =
n

106 × 0,2 +
(

256
1024

× 5
)
× n × 0,00001667

Los costos de Amazon SageMaker se calculan de la siguiente manera:

Costo SageMaker Entrenamiento (2 min) = n × 120 × 0,28
3600

Costo SageMaker Detección (34 s) = n × 34 × 0,28
3600

Cuadro 6.1: Resumen de Costos y Tiempos para un Lote de Procesamiento (1000 archivos
totales)

Función Tiempo (s) Costo (USD)
Primera Función (Procesamiento .zip) 20 0.00008335

Segunda Función (Procesamiento .STL) 15 0.00006252
Tercera Función (Subida y Detección) 39 0.00266484

Total 74 0.00281071

6.3. Caso de uso: Muestras de corte
En esta sección se van a detallar ciertos cortes a modo de caso de caso

de uso. A continuación se van a detallar cada uno de los cortes realizados:


83

Figura 6.1: Muestras de corte con el blaster de Mandaloriano.

La Figura 6.1 muestra el corte realizado con nuestra arquitectura al
blaster del mandaloriano. En este caso se puede mostrar la parte inferior
del blaster, la mirilla y la parte central (de izquierda a derecha). Ahora
siguiendo con el razonamiento realizado en este trabajo, se van a volver a
juntar estas piezas:

Figura 6.2: Blaster completo

La Figura 6.4 muestra el resultado de juntar estas piezas.

6.4. Objetivos Realizados
A continuación, se detallan los objetivos que se han logrado en el

transcurso de este proyecto, los cuales están organizados en categorı́as que
reflejan las diversas fases de desarrollo y evaluación del auto-slicer para
modelos 3D utilizando tecnologı́a serverless.

Revisión Bibliográfica:


84

• Se realizó un estudio exhaustivo de literatura para entender las
tecnologı́as serverless y su aplicación en el proceso de auto-slicing
de modelos 3D, conforme a lo discutido en el Capı́tulo 2.

Investigación de Tecnologı́a y Herramientas:

• Se evaluaron y compararon diversas bibliotecas y marcos de
trabajo de aprendizaje automático para identificar los más
adecuados en términos de eficiencia temporal y accesibilidad para
desarrolladores.

• Se analizaron los tiempos de ejecución y los costos asociados
con estas tecnologı́as para seleccionar las opciones más rápidas
y económicas.

Diseño y Arquitectura Serverless:

• Se definieron los componentes principales de la arquitectura
serverless y se describió su interacción para facilitar el
auto-slicing de modelos 3D.

• Se establecieron los flujos de datos y las comunicaciones
necesarias entre los servicios serverless para asegurar una
operación eficaz.

Desarrollo y Capacitación de Modelos:

• Se desarrolló un modelo de aprendizaje automático para
identificar y segmentar piezas 3D de forma precisa y eficiente,
comenzando con cortes manuales para establecer bases de
referencia.

• El modelo fue entrenado de forma supervisada para asegurar que
los cortes realizados no comprometieran la integridad estructural
ni la precisión geométrica de las piezas.

• Se implementó el modelo en la infraestructura serverless elegida.

Integración y Almacenamiento de Datos:

• Se integró el sistema serverless con soluciones de almacenamiento
de datos 3D para facilitar el acceso a los modelos y realizar el
auto-slicing de manera efectiva.

Pruebas y Evaluación:


85

• Se llevaron a cabo pruebas exhaustivas para verificar la precisión
y eficiencia del auto-slicer en diferentes escenarios y con varios
tipos de piezas 3D.

• Se ajustaron los parámetros del modelo para prevenir
sobreentrenamiento y optimizar los resultados.

• Se evaluó el rendimiento de la arquitectura serverless en términos
de tiempos de respuesta y consumo de recursos.

Documentación y Análisis de Resultados:

• Se elaboró documentación detallada del desarrollo del auto-slicer
serverless, incluyendo descripciones de la arquitectura, el modelo
de aprendizaje automático y las pruebas realizadas.

• Los resultados de las pruebas fueron analizados y presentados
mediante gráficos y tablas para facilitar la comprensión.

• Se discutieron las ventajas y limitaciones de la solución
implementada.

Validación y Demostración:

• El auto-slicer serverless fue validado con casos de uso reales y
datos externos para demostrar su funcionalidad y efectividad.

• Se preparó una demostración práctica para presentar el sistema en
acción, comparando modelos cortados manualmente y aquellos
procesados por la herramienta.

Conclusión y Futuras Mejoras:

• Se resumieron las conclusiones del proyecto, destacando los
logros obtenidos y proponiendo mejoras y posibles extensiones
del sistema serverless de auto-slicer de piezas en 3D.

6.5. Análisis Crı́tico de los Resultados
A lo largo de este proyecto, se han desplegado múltiples esfuerzos para

diseñar y validar una arquitectura serverless para el auto-slicer 3D. La
implementación de la tecnologı́a serverless y machine learning ha sido un
desafı́o estimulante y educativo, proporcionando numerosas lecciones a lo
largo del camino.


86

6.5.1. Reflexiones sobre el diseño y la implementación
El diseño de la arquitectura propuesta y su implementación

involucraron una serie de decisiones crı́ticas que, aunque fundamentadas
en la literatura revisada y las pruebas preliminares, no estuvieron exentas
de limitaciones. La adaptabilidad y la escalabilidad del sistema fueron
consideradas ampliamente; sin embargo, la complejidad inherente a
la integración de servicios serverless y modelos de machine learning
presentó retos significativos. Estos retos fueron abordados con un espı́ritu
de aprendizaje y adaptación continua, caracterı́sticas esenciales en el
campo de la ciencia y la ingenierı́a.

6.5.2. Evaluación de la funcionalidad y rendimiento
Las pruebas funcionales y de rendimiento revelaron áreas de gran éxito

y otras que requieren mejoras. Aunque el sistema demostró ser capaz
de auto-slice modelos 3D con una precisión respetable, los tiempos de
respuesta y el consumo de recursos variaron más de lo esperado, lo que
sugiere que la optimización de los recursos computacionales es un área
que podrı́a mejorarse significativamente.

6.5.3. Limitaciones y áreas de mejora
Una de las limitaciones observadas fue la dependencia del sistema

de datos de entrenamiento de alta calidad para el machine learning.
La variabilidad en la calidad del auto-slicing podrı́a mitigarse en el
futuro a través de un conjunto de datos más robusto y diverso para
el entrenamiento del modelo. Además, la integración de un mecanismo
de feedback más dinámico que permita refinamientos iterativos podrı́a
mejorar la utilidad del sistema.

6.6. Trabajo a Futuro
A medida que este proyecto concluye, queda claro que la tecnologı́a de

impresión 3D y las herramientas de corte automático están en constante
evolución, presentando oportunidades significativas para investigaciones
futuras. La integración de técnicas más avanzadas de aprendizaje
automático y la exploración de nuevos algoritmos de optimización
podrı́an mejorar aún más la precisión y eficiencia de los cortes automáticos
en impresiones 3D complejas. Además, la expansión del banco de pruebas
para incluir una gama más amplia de materiales y geometrı́as de
impresión diversificarı́a las capacidades del auto-slicer, adaptándolo a las
necesidades cambiantes de la industria y del mercado de consumidores. Se


87

propone también explorar la aplicación de esta tecnologı́a en entornos de
producción industrial, donde la personalización masiva y la fabricación
rápida son cruciales. Otro campo de desarrollo podrı́a ser la mejora de
la interfaz de usuario del software de corte, haciéndolo más intuitivo y
accesible para usuarios sin experiencia técnica previa, facilitando ası́ la
adopción más amplia de estas tecnologı́as. Finalmente, se contempla la
posibilidad de colaborar con fabricantes de impresoras 3D para incorporar
el auto-slicer directamente en el software de control de las impresoras,
lo que podrı́a revolucionar el proceso de preparación de la impresión,
haciéndolo más eficiente y menos propenso a errores humanos.

6.7. Contribuciones de los Autores
Este proyecto fue desarrollado en colaboración entre Laura Chueca

y Jorge Zurdo, quienes compartieron igualitariamente las tareas y
responsabilidades, asegurando un equilibrio del 50-50 en la carga de
trabajo. Ambos participaron activamente en todas las fases del proyecto,
desde la concepción inicial hasta la implementación final.

Jorge Zurdo desempeñó un papel en la definición de la arquitectura
del sistema, asegurándose de que todas las funcionalidades respondieran
adecuadamente a las necesidades del proyecto. Además, lideró los
esfuerzos en el entrenamiento del modelo de machine learning, ajustando
y calibrando los parámetros para optimizar el rendimiento del sistema.

Por otro lado, Laura Chueca se encargó de la implementación práctica
del modelo en el entorno serverless, trabajando en la integración y
configuración de los servicios necesarios para que el sistema funcionara
eficientemente en la nube. También fue responsable de la supervisión
de las pruebas de funcionalidad y rendimiento, analizando los datos
recogidos para asegurar que el sistema cumplı́a con los estándares
previstos.

Ambos colaboraron en la redacción de la documentación técnica y los
informes de resultados, y prepararon conjuntamente las presentaciones
para demostrar el funcionamiento del sistema.


Chapter 6. Results, Measurements, and
Conclusions
6.1. Methodology for Measurement and Cost Testing

To perform the necessary measurement tests, a test battery was
specifically designed to stress the coordinate cutting function. This
function, called the lambda function, is crucial in the process and was
subjected to rigorous testing along with the functions used in SageMaker
for time measurement. The same file, replicated under different names,
was used in a set of 1000 units for coordinate cutting and processing. The
location of the cutting coordinate was set exactly in the middle of the three
axes, ensuring that each piece was cut through its center, resulting in the
symmetrical separation of the piece into an upper and a lower part. This
design ensures that all tests provide consistent data for both cost and time
measurement.

The file used in these tests was then used to train a 3D convolutional
network model in SageMaker, aiming to measure both execution times
and associated costs. Since each function can be executed multiple times,
the number of executions n can vary depending on the cost assigned
to Amazon Web Service (AWS) services. In this case, since it was an
initial trial account, the limit was set to 10 executions. However, a
professional serverless account on AWS could allow up to 1000 or more
executions, depending on the contracted plan. Normally, cost tests are
conducted considering a thousand simultaneous executions, as the cost of
one execution is the same as that of a thousand simultaneous executions
because they are handled in batches.

Once the model was trained and deployed on SageMaker, the average
execution time and associated costs were calculated, depending on the
model specifications. In addition, the processed object was detected to
verify that the system could correctly identify the coordinates of its two
divided parts. These processes were also evaluated in terms of execution
time and cost. Finally, once the entire test battery was completed, the
calculations of the final cost and the computational cost on AWS for each
execution and for the total set of operations, from cutting to detection of
the parts, were carried out.

89


90

6.2. Cost Approximation
Since the number n in an AWS execution batch represents the number

of batches of 1000 files, the cost approximation is performed, considering
the variability of AWS prices.

The costs of the AWS Lambda are calculated as follows:

Lambda Cost per Function = Request Cost + Compute Cost

First Function (256 MB, 20 s) =
n

106 × 0,2 +
(

256
1024

× 20
)
× n × 0,00001667

Second Function (256 MB, 15 s) =
n

106 × 0,2 +
(

256
1024

× 15
)
× n × 0,00001667

Third Function (256 MB, 5 s) =
n

106 × 0,2 +
(

256
1024

× 5
)
× n × 0,00001667

Amazon SageMaker costs are calculated as follows:

SageMaker Training Cost (2 min) = n × 120 × 0,28
3600

SageMaker Detection Cost (34 s) = n × 34 × 0,28
3600

Cuadro 6.2: Summary of Costs and Times for a Processing Batch (1000 total files)
Function Time (s) Cost (USD)

First Function (Processing .zip) 20 0.00008335
Second Function (Processing .STL) 15 0.00006252

Third Function (Upload and Detection) 39 0.00266484
Total 74 0.00281071

6.3. Use case: Cut samples
In this section we are going to detail certain slices as a use case. The

following are going to detail each of the slices performed:


91

Figura 6.3: Cut samples with the Mandalorian blaster.

Figure 6.3 shows the cut made with our architecture to the
Mandalorian’s blaster. In this case we can show the lower part of the
blaster, the peephole and the central part (from left to right). Now
following with the reasoning done in this work, we are going to put these
pieces together again:

Figura 6.4: Blaster complete

Figure 6.4 shows the result of putting these pieces together.


92

6.4. Achieved Objectives
Below are the objectives that have been achieved during this project,

which are organized into categories reflecting the various phases of
development and evaluation of the auto-slicer for 3D models using
serverless technology.

Literature Review:

• An exhaustive study of the literature was conducted to
understand serverless technologies and their application in the
auto-slicing process of 3D models, as discussed in Chapter 2.

Technology and Tools Research:

• Various machine learning libraries and frameworks were
evaluated and compared to identify the most suitable in terms
of time efficiency and accessibility for developers.

• Execution times and associated costs of these technologies were
analyzed to select the fastest and most cost-effective options.

Design and Serverless Architecture:

• The main components of the serverless architecture were defined
and their interactions described to facilitate the auto-slicing of 3D
models.

• Data flows and communications necessary among the serverless
services were established to ensure effective operation.

Model Development and Training:

• A machine learning model was developed to identify and
segment 3D pieces accurately and efficiently, starting with
manual cuts to establish baseline references.

• The model was trained in a supervised manner to ensure that
the cuts made did not compromise the structural integrity or
geometric precision of the pieces.

• The model was implemented in the chosen serverless
infrastructure.

Integration and Data Storage:


93

• The serverless system was integrated with 3D data storage
solutions to facilitate access to models and perform auto-slicing
effectively.

Testing and Evaluation:

• Extensive testing was conducted to verify the accuracy and
efficiency of the auto-slicer across different scenarios and with
various types of 3D pieces.

• Model parameters were adjusted to prevent overtraining and
optimize outcomes.

• The performance of the serverless architecture was evaluated in
terms of response times and resource utilization.

Documentation and Results Analysis:

• Detailed documentation of the development of the serverless
auto-slicer was prepared, including descriptions of the
architecture, the machine learning model, and the tests
performed.

• Test results were analyzed and presented through graphs and
tables for ease of understanding.

• The advantages and limitations of the implemented solution were
discussed.

Validation and Demonstration:

• The serverless auto-slicer was validated with real use cases and
external data to demonstrate its functionality and effectiveness.

• A practical demonstration was prepared to showcase the system
in action, comparing manually cut models and those processed
by the tool.

Conclusion and Future Improvements:

• The conclusions of the project were summarized, highlighting
the achievements and proposing improvements and possible
extensions of the serverless auto-slicer system for 3D pieces.

6.5. Critical Analysis of Results
Throughout this project, multiple efforts have been deployed to design

and validate a serverless architecture for the 3D auto-slicer. Implementing


94

serverless technology and machine learning has been a stimulating and
educational challenge, providing numerous lessons along the way.

6.5.1. Reflections on Design and Implementation
The design of the proposed architecture and its implementation

involved a series of critical decisions that, although grounded in the
reviewed literature and preliminary tests, were not without limitations.
The adaptability and scalability of the system were extensively considered;
however, the inherent complexity of integrating serverless services
and machine learning models presented significant challenges. These
challenges were approached with a spirit of learning and continuous
adaptation, essential traits in the field of science and engineering.

6.5.2. Functionality and Performance Evaluation
Functional and performance tests revealed areas of great success and

others that require improvements. While the system proved capable of
auto-slicing 3D models with respectable accuracy, the response times
and resource consumption varied more than expected, suggesting that
computational resource optimization is an area that could be significantly
improved.

6.5.3. Limitations and Areas for Improvement
One of the observed limitations was the system’s dependence on

high-quality training data for machine learning. The variability in the
quality of auto-slicing could be mitigated in the future through a more
robust and diverse dataset for training the model. Additionally, integrating
a more dynamic feedback mechanism that allows for iterative refinements
could enhance the utility of the system.

6.6. Future Work
As this project concludes, it is clear that the technology of 3D

printing and automatic cutting tools is continuously evolving, presenting
significant opportunities for future research. Integrating more advanced
machine learning techniques and exploring new optimization algorithms
could further enhance the accuracy and efficiency of automatic cuts in
complex 3D printing. Additionally, expanding the testbed to include a
wider range of materials and diverse printing geometries would diversify
the capabilities of the auto-slicer, adapting it to the changing needs of
the industry and consumer market. It is also proposed to explore the


95

application of this technology in industrial production environments,
where mass customization and rapid manufacturing are crucial. Another
development field could be the improvement of the software’s user
interface for cutting, making it more intuitive and accessible for users
without prior technical experience, thus facilitating broader adoption
of these technologies. Finally, the possibility of collaborating with 3D
printer manufacturers to incorporate the auto-slicer directly into the
printers’ control software is contemplated, which could revolutionize the
preparation process for printing, making it more efficient and less prone to
human errors.

6.7. Contributions of the Authors
This project was collaboratively developed by Laura Chueca and Jorge

Zurdo, who shared the workload equally, ensuring a 50-50 balance in
responsibilities. Both were actively involved in all phases of the project,
from the initial conception to the final implementation.

Jorge Zurdo played a role in defining the system architecture, ensuring
that all functionalities adequately met the project’s needs. He also led
efforts in training the machine learning model, tuning and calibrating
parameters to optimize system performance.

On the other hand, Laura Chueca was in charge of the practical
implementation of the model in the serverless environment, working on
the integration and configuration of the necessary services for the system
to function efficiently in the cloud. She was also responsible for overseeing
the functionality and performance testing, analyzing the collected data to
ensure that the system met the intended standards.

Both collaborated on the technical documentation and result
reports, and jointly prepared presentations to demonstrate the system’s
functionality.


Bibliografı́a
[1] A. Su and S. J. Al’Aref, History of 3D printing. Elsevier, 1 2018, pp.

1–10.

[2] “3D bioprinting of tissues and organs - Nature Biotechnology —
nature.com,” https://www.nature.com/articles/nbt.2958, [Accessed
26-07-2023].

[3] A. S. Valderrama Gámez, “Diseño e implementación de un sistema
de control cnc compatible e intercambiable para impresión 3d, corte
y fresado de materiales blandos en aplicaciones didácticas,” Ph.D.
dissertation, Universidad Santo Tomás, 2020.

[4] A. E. Coronado Saldaña and C. G. Vásquez Ordinola, “Modelado y
construcción a escala de una fresadora convencional impresa en 3d
para fines académicos,” 2023.

[5] D. Popescu, A. Zapciu, C. Amza, F. Baciu, and R. Marinescu, “Fdm
process parameters influence over the mechanical properties of
polymer specimens: A review,” Polymer Testing, vol. 69, pp. 157–166,
2018.

[6] A. Sotov, A. Kantyukov, A. Popovich, and V. Sufiiarov, “Lcd-sla
3d printing of batio3 piezoelectric ceramics,” Ceramics International,
vol. 47, no. 21, pp. 30 358–30 366, 2021.

[7] G. Santana Roma, A. Alitany, L. Giménez Mateu, and
E. Redondo Domı́nguez, “Desarrollo de un método de conversión
directa de una nube de puntos fotogramétrica, a puntos de
movimiento de un cabezal de fresadora cnc (o impresora 3d),
para la reproducción i conservación del roshan,” in Sistemas y
Tecnologı́as de Información. Actas de la 9ª Conferencia Ibérica de Sistemas
y Tecnologı́as de Información, Barcelona, España, 18-21 Junio 2014, 2014,
pp. 276–282.

[8] A. Kafle, E. Luis, R. Silwal, H. M. Pan, P. L. Shrestha, and
A. K. Bastola, “3d/4d printing of polymers: Fused deposition
modelling (fdm), selective laser sintering (sls), and stereolithography
(sla),” Polymers, vol. 13, no. 18, 2021. [Online]. Available: https:
//www.mdpi.com/2073-4360/13/18/3101

97

https://www.nature.com/articles/nbt.2958
https://www.mdpi.com/2073-4360/13/18/3101
https://www.mdpi.com/2073-4360/13/18/3101


98

[9] A. Khadilkar, J. Wang, and R. Rai, “Deep learning–based stress
prediction for bottom-up sla 3d printing process,” The International
Journal of Advanced Manufacturing Technology, vol. 102, pp. 2555–2569,
2019.

[10] J. C. Camargo, Á. R. Machado, E. C. Almeida, and E. F. M. S.
Silva, “Mechanical properties of pla-graphene filament for fdm
3d printing,” The International Journal of Advanced Manufacturing
Technology, vol. 103, pp. 2423–2443, 2019.

[11] S. Selvamani, M. Samykano, S. Subramaniam, W. Ngui,
K. Kadirgama, G. Kanagaraj, and M. Idris, “3d printing: Overview of
abs evolvement,” in AIP Conference Proceedings, vol. 2059, no. 1. AIP
Publishing, 2019.

[12] K. J. Christiyan, U. Chandrasekhar, and K. Venkateswarlu, “A study
on the influence of process parameters on the mechanical properties
of 3d printed abs composite,” in IOP conference series: materials science
and engineering, vol. 114, no. 1. IOP Publishing, 2016, p. 012109.

[13] F. Calignano, M. Lorusso, I. Roppolo, and P. Minetola, “Investigation
of the mechanical properties of a carbon fibre-reinforced nylon
filament for 3d printing,” Machines, vol. 8, no. 3, p. 52, 2020.

[14] S. M. Desai, R. Y. Sonawane, and A. P. More, “Thermoplastic
polyurethane for three-dimensional printing applications: A review,”
Polymers for Advanced Technologies, vol. 34, no. 7, pp. 2061–2082, 2023.

[15] G. Marabello, C. Borsellino, and G. Di Bella, “Carbon fiber 3d printing:
Technologies and performance—a brief review,” Materials, vol. 16,
no. 23, p. 7311, 2023.

[16] C. Warr, J. C. Valdoz, B. P. Bickham, C. J. Knight, N. A. Franks,
N. Chartrand, P. M. Van Ry, K. A. Christensen, G. P. Nordin, and A. D.
Cook, “Biocompatible pegda resin for 3d printing,” ACS applied bio
materials, vol. 3, no. 4, pp. 2239–2244, 2020.

[17] D. Rahmatabadi, I. Ghasemi, M. Baniassadi, K. Abrinia, and
M. Baghani, “3d printing of pla-tpu with different component
ratios: Fracture toughness, mechanical properties, and morphology,”
Journal of Materials Research and Technology, vol. 21, pp. 3970–3981,
2022. [Online]. Available: https://www.sciencedirect.com/science/
article/pii/S2238785422017318

https://www.sciencedirect.com/science/article/pii/S2238785422017318
https://www.sciencedirect.com/science/article/pii/S2238785422017318


99

[18] W. Y. Yeong and G. D. Goh, “3d printing of carbon fiber composite:
the future of composite industry?” Matter, vol. 2, no. 6, pp. 1361–1363,
2020.

[19] G.-S. Park, S.-K. Kim, S.-J. Heo, J.-Y. Koak, and D.-G. Seo, “Effects
of printing parameters on the fit of implant-supported 3d printing
resin prosthetics,” Materials, vol. 12, no. 16, 2019. [Online]. Available:
https://www.mdpi.com/1996-1944/12/16/2533

[20] E. Mata Abdelnour, “Propuesta para la incorporación del modelado e
impresión 3d para la enseñanza de ingenierı́a civil de la universidad
de costa rica,” Revista Educación, vol. 47, no. 1, pp. 460–478, 2023.

[21] J. Garrido Campos, D. Silva Muñiz, B. Lekube Gazagaetxeberria,
E. Riveiro Fernández, and B. Portela López, “Arquitectura de servicio
de impresión 3d para apoyar estrategias de economı́a circular
alrededor del reciclaje de plástico en el entorno marı́timo-portuario,”
in XLII Jornadas de Automática. Universidade da Coruña, Servizo de
Publicacións, 2021, pp. 21–28.

[22] J. C. Espeche, F. Castañón, M. Saravia, and S. P. Machado, “Diseño
y fabricación de generadores eólicos hı́bridos de pequeña escala con
impresión 3d,” Mecánica Computacional, vol. 39, no. 24, pp. 863–870,
2022.

[23] K. Z. Gámez, P. C. Pinto, L. C. Betancourth, M. J. C. da Silva, and
K. D. Chavarrı́a, “Impresión de medicamentos en 3d en población
geriátrica: Una mirada al futuro: Impresión de medicamentos en 3d,”
Revista Ciencia y Salud Integrando Conocimientos, vol. 6, no. 5, pp. 57–63,
2022.

[24] C. Hervás Gómez, P. Román Graván, M. Á. Domı́nguez González,
and M. Reina Parrado, “Diseño e impresión en 3d de protectores
de pantallas faciales por docentes universitarios para proteger
al personal sanitario ante el covid-19,” International Journal Of
Educational Research And Innovation, 15, 35-56., 2021.

[25] A. Bonet, C. Meier, J. L. Saorı́n, J. de la Torre, and C. Carbonell,
“Tecnologı́as de diseño y fabricación digital de bajo coste para el
fomento de la competencia creativa,” Arte, individuo y sociedad, vol. 29,
no. 1, pp. 89–104, 2017.

https://www.mdpi.com/1996-1944/12/16/2533


100

[26] R. Molina, G. Pender, L. Moro, and M. T. Piovan, “Comportamiento
al creep de un polı́mero utilizado para impresión 3d,” Matéria (Rio de
Janeiro), vol. 23, p. e12076, 2018.

[27] Á. Nolla, A. Benito, C. Madonna, S. Suk Park, M. Busatto et al.,
“Impresión 3d como un recurso para desarrollar el potencial
matemático,” Contextos educativos: revista de educación, 2021.

[28] G. Solana-Lavalle and R. Rosas-Romero, “Classification of ppmi
mri scans with voxel-based morphometry and machine learning to
assist in the diagnosis of parkinson’s disease,” Computer Methods and
Programs in Biomedicine, vol. 198, 1 2021.

[29] D. Pacios, J. L. Vazquez-Poletti, B. Sánchez-Cano,
R. Moreno-Vozmediano, N. Schetakis, L. Vazquez, and D. V. Titov,
“Serverless architecture for data processing and detecting anomalies
with the mars express marsis instrument,” The Astronomical Journal,
vol. 166, p. 19, 7 2023.

[30] S. I. Cerrato, D. Pacios, J. M. E. Rodrı́guez, J. L. Vázquez-Poletti,
N. Schetakis, K. Stavrakakis, A. D. Iorio, M. Estefanı́a, A. Mariño, and
M. Mariño, “Secure and efficient transmission of spatial data using
colored quick response (qr) codes: A case study for the eye project.”

[31] D. Pacios, J. L. Vázquez-Poletti, D. B. Dhuri, D. Atri,
R. Moreno-Vozmediano, R. J. Lillis, N. Schetakis, J. Gómez-Sanz,
A. D. Iorio, and L. Vázquez, “A serverless computing architecture for
martian aurora detection with the emirates mars mission,” Scientific
Reports, vol. 14, no. 1, p. 3029, 2024.

[32] K. Stavrakakis, D. Pacios, N. Papoutsakis, N. Schetakis, P. Bomfini,
T. Papakosmas, B. Charalampopoulou, J. L. Vázquez-Poletti, and
A. D. Iorio, “Eye-sense: empowering remote sensing with machine
learning for socio-economic analysis.” SPIE-Intl Soc Optical Eng, 9
2023, p. 34.

[33] E. R. Velazquez, C. Parmar, M. Jermoumi, R. H. Mak, A. V. Baardwijk,
F. M. Fennessy, J. H. Lewis, D. D. Ruysscher, R. Kikinis, P. Lambin,
and H. J. Aerts, “Volumetric ct-based segmentation of nsclc using
3d-slicer,” Scientific Reports, vol. 3, 12 2013.


	Abstract
	Introduction
	Introducción
	Estado del arte
	Metodología y tecnologías
	Diseño de la solución inicial
	Desarrollo de la arquitectura
	Resultados, mediciones y conclusiones
	Results, Measurements, and Conclusions
	Bibliografía