Artículo Científico / Scientific Paper |
|
|
|
||
|
pISSN: 1390-650X / eISSN: 1390-860X |
|
Yoandrys Morales-Tamayo1,*, Yusimit Zamora-Hernández2, Paco Vásquez-Carrera1, Mario Porras-Vásconez1, Joao Bárzaga-Quesada3, Ringo López-Bustamante4 |
Resumen |
Abstract |
Los métodos de regresión múltiple y redes neuronales artificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dos métodos de predicción: regresión múltiple y redes neuronales artificiales (perceptrón multicapa) con el objetivo de predecir la rugosidad superficial en el torneado en seco del acero AISI 316l. En su implementación fueron considerados varios parámetros de corte como la velocidad, el avance y el tiempo de mecanizado. Las ecuaciones obtenidas por ambos métodos fueron comparadas desarrollando un diseño factorial completo para aumentar la fiabilidad de los valores registrados de rugosidad superficial. En el análisis se puede comprobar mediante los valores de coeficientes de determinación que los modelos propuestos son capaces de predecir la rugosidad superficial. Los modelos obtenidos demuestran que la técnica de redes neuronales artificiales tiene mejor precisión que la regresión múltiple para este estudio.
|
The simple regression and artificial neural network methods are techniques used in many industrial. This work developed two models in order to predict the surface roughness in dry turning of AISI 316L stainless steel. In its implementation they were considered various cutting parameters such as cutting speed, feed, and machining time. The models obtained by both methods were compared to develop a full factorial design to increase reliability of the recorded values of roughness. The analysis can be checked by the values of coefficients of determination that the proposed models are able to predict surface roughness. The obtained results show that the neural networks techniques is more accurate than the multiple regression techniques in this study. |
Palabras Clave: acero inoxidable AISI 316L, análisis de varianza y regresión, redes neuronales artificiales, rugosidad superficial, torneado de alta velocidad. |
Keywords: AISI 316L stainless steel, Analysis of variance and regression, Artificial neural network, Dry high-speed turning, Surface roughness. |
1,* Dirección en Electromecánica, Universidad Técnica de Cotopaxi, Cotopaxi – Ecuador. Autor para correspondencia : yoandrys.morales@utc.edu.ec, http://orcid.org/0000-0001-7456-1490, http://orcid.org/0000-0003-4734-8584, http://orcid.org/0000-0002-4119-4812 |
||
2 Departamento de Ingeniería Mecánica, Universidad de Granma, Cuba. http://orcid.org/0000-0002-0112-1061 3 Departamento de Ciencias de la Energía y Mecánica, Universidad de las Fuerzas Armadas, Cotopaxi – Ecuador. http://orcid.org/0000-0001-9792-7379 4 Dirección de Extensión La Maná, Universidad Técnica de Cotopaxi, Ecuador. http://orcid.org/0000-0002-6519-1587
79
|
Para este propósito fue preciso implementar un diseño factorial completo para investigar el efecto de las condiciones de corte (velocidad, avance, tiempo) en la rugosidad superficial. Los modelos de regresión múltiple son validados mediante los supuestos básicos. |
desde la línea central a lo largo de la medición. Esta definición es dada en la ecuación (1).
Donde: L es la longitud de medición; y es la distancia entre dos puntos del perfil. La relación entre la rugosidad superficial y las variables de mecanizado puede ser definida como (ecuación 2):
Donde, Ra es la rugosidad superficial medida en μm; V, f, d, r son velocidad de corte (m/min), avance (mm/rev), profundidad (mm), radio de la punta de la herramienta (mm), respectivamente. C, m, n, l son constantes y " es el error aleatorio [21]. La ecuación (1) puede ser vista como la ecuación (3) para facilitar la representación de las constantes y los parámetros. La rugosidad media aritmética (Ra) y la altura del pico máximo (Rt) de las superficies torneadas pueden ser determinadas por las ecuaciones siguientes (3) y (4):
Donde r, es el radio de la punta (mm) y f, es el avance de corte (mm/rev). Las ecuaciones (3) y (4) muestran que la rugosidad superficial incrementa proporcionalmente con el avance y, además, el aumento del radio de la punta de la herramienta de corte reduce la rugosidad superficial en el torneado.
2.2. Modelación por regresión múltiple
Las redes neuronales artificiales (RNA) son ampliamente usadas en muchas aplicaciones de la industria. Estas son muy populares en la modelación de sistemas debido a su alta eficiencia en la adaptación y en el aprendizaje mediante el reconocimiento de patrones [3]. |
El acero inoxidable AISI 316L fue el material seleccionado para las probetas, este acero es utilizado en la fabricación de productos resistentes a la corrosión y resistentes a altas temperaturas [25]. La composición química es C 0,015 %, Si 0,58 %, Mn 1,50 %, Cr 16,95 %, Mo 2,05 %, Ni 10,08 %, P 0,031 %, S 0,029 % y N 0,059 %. Las probetas de 100 mm de diámetro y 200 mm de longitud fueron torneadas con insertos recubiertos con calidad Sandvik, GC1115 y GC2015. Los recubrimientos de (TiCN–Al2O3–TiN) con un espesor de 15 μm correspondieron al inserto GC2015 y para el inserto tipo GC1115 su recubrimiento fue de TiN con 5 μm de espesor. Después de la operación de torneado, la rugosidad superficial (Ra) fue medida mediante un rugosímetro CARL ZEISS modelo SURFCOM 1500SD2 (Figura 4). La geometría de los insertos fue CCMT 12 04 04-MF con rompevirutas, el portaherramienta marca Sandvik de código C6-SCLCL-45065-12 y un adaptador con código C6-391.01-63 060. El ángulo de incidencia principal fue de 7, el ángulo de ataque de 0 y el radio de la punta de 0,4 mm. |
|
|