Explorando la Soldadura por Puntos de Resistencia para Aleación de Titanio Grado 2: Investigación Experimental y Modelado con Redes Neuronales Artificiales
Autores: Mezher, Marwan T.; Carou, Diego; Pereira, Alejandro
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Resistencia de soldadura por puntos
Corriente de soldadura
Presión de soldadura
Tiempo de soldadura
Microdureza
Modo de fallo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 4
Citaciones: Sin citaciones
El proceso de soldadura por puntos de resistencia (RSW) sigue siendo ampliamente utilizado para soldar paneles y cuerpos, particularmente en las industrias automotriz, ferroviaria y aeroespacial. El propósito de esta investigación es examinar cómo factores de RSW como la corriente de soldadura, la presión de soldadura, el tiempo de soldadura, el tiempo de mantenimiento, el tiempo de compresión y la soldadura por pulso afectan la fuerza de corte, la microdureza y el modo de fallo de las hojas de titanio soldadas por puntos (grado 2). Se evaluaron uniones soldadas por puntos de hojas de titanio con grosores similares y disímiles de 1-1 mm, 0.5-0.5 mm y 1-0.5 mm. Las condiciones experimentales se organizaron utilizando el diseño de experimentos (DOE). Además, se utilizaron modelos de red neuronal artificial (ANN). Se probaron diferentes funciones de entrenamiento y transferencia utilizando el enfoque de retropropagación hacia adelante para encontrar el modelo ANN óptimo. Según los resultados experimentales, la fuerza de corte máxima fue de 5.106, 4.234 y 4.421 kN para los casos de 1-1, 0.5-0.5 y 1-0.5 mm, respectivamente. Las mediciones de dureza mostraron una mejora notable para las uniones soldadas en comparación con el metal base. Los hallazgos revelaron que el caso de 0.5-0.5 mm proporciona la mayor dureza del nugget y de la zona afectada por el calor (HAZ) en comparación con otros casos. Además, se notaron diferentes modos de fallo como el nugget de extracción, el interfacial y el fallo parcial entre el nugget de extracción y el fallo interfacial. Los resultados de la ANN basados en el error cuadrático medio (MSE) y el coeficiente de determinación (R2) como métricas de validación demostraron que utilizar la función de entrenamiento de Levenberg-Marquardt (Trainlm) con la función de transferencia log-sigmoide (Logsig) proporciona la mejor predicción, donde los valores de R2 y MSE fueron 0.98433 y 0.01821, respectivamente.
Descripción
El proceso de soldadura por puntos de resistencia (RSW) sigue siendo ampliamente utilizado para soldar paneles y cuerpos, particularmente en las industrias automotriz, ferroviaria y aeroespacial. El propósito de esta investigación es examinar cómo factores de RSW como la corriente de soldadura, la presión de soldadura, el tiempo de soldadura, el tiempo de mantenimiento, el tiempo de compresión y la soldadura por pulso afectan la fuerza de corte, la microdureza y el modo de fallo de las hojas de titanio soldadas por puntos (grado 2). Se evaluaron uniones soldadas por puntos de hojas de titanio con grosores similares y disímiles de 1-1 mm, 0.5-0.5 mm y 1-0.5 mm. Las condiciones experimentales se organizaron utilizando el diseño de experimentos (DOE). Además, se utilizaron modelos de red neuronal artificial (ANN). Se probaron diferentes funciones de entrenamiento y transferencia utilizando el enfoque de retropropagación hacia adelante para encontrar el modelo ANN óptimo. Según los resultados experimentales, la fuerza de corte máxima fue de 5.106, 4.234 y 4.421 kN para los casos de 1-1, 0.5-0.5 y 1-0.5 mm, respectivamente. Las mediciones de dureza mostraron una mejora notable para las uniones soldadas en comparación con el metal base. Los hallazgos revelaron que el caso de 0.5-0.5 mm proporciona la mayor dureza del nugget y de la zona afectada por el calor (HAZ) en comparación con otros casos. Además, se notaron diferentes modos de fallo como el nugget de extracción, el interfacial y el fallo parcial entre el nugget de extracción y el fallo interfacial. Los resultados de la ANN basados en el error cuadrático medio (MSE) y el coeficiente de determinación (R2) como métricas de validación demostraron que utilizar la función de entrenamiento de Levenberg-Marquardt (Trainlm) con la función de transferencia log-sigmoide (Logsig) proporciona la mejor predicción, donde los valores de R2 y MSE fueron 0.98433 y 0.01821, respectivamente.