Fresado de cara de precisión de acero maraging 350: una investigación experimental y optimización utilizando diferentes técnicas de aprendizaje automático
Autores: Abbas, Adel T.; Helmy, Mohamed O.; Al-Abduljabbar, Abdulhamid A.; Soliman, Mahmoud S.; Hasan, Ali S.; Elkaseer, Ahmed
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Tecnología de Equipos y Accesorios
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
El acero maraging, caracterizado por su superior relación resistencia-peso, resistencia al desgaste y tolerancia a la presión, es un material de elección en aplicaciones críticas, incluyendo componentes aeroespaciales y automotrices. Sin embargo, el mecanizado de este material presenta desafíos significativos debido a sus propiedades inherentes. Este estudio examina de manera integral los impactos de las variables de fresado frontal en la calidad de la superficie del acero maraging, la temperatura de corte, el consumo de energía y la tasa de eliminación de material (MRR). Se realizó un análisis experimental y los datos recopilados se utilizaron para entrenar y probar cinco modelos de aprendizaje automático (ML): máquina de vectores de soporte (SVM), vecino más cercano (KNN), red neuronal artificial (ANN), bosque aleatorio y XGBoost. Cada modelo tenía como objetivo predecir los resultados de diferentes parámetros de mecanizado de manera eficiente. XGBoost surgió como el más efectivo, ofreciendo una impresionante precisión de predicción del 98% en conjuntos de datos pequeños. El estudio se extendió a la aplicación de un algoritmo genético (GA) para optimizar los hiperparámetros de XGBoost, mejorando aún más la precisión predictiva del modelo. El GA fue fundamental en la optimización multiobjetivo, considerando diversas respuestas, incluyendo la rugosidad de la superficie y el consumo de energía. El proceso de optimización evaluó diferentes métodos de ponderación, incluyendo pesos iguales y pesos derivados del proceso de jerarquía analítica (AHP) basado en conocimientos de expertos. Los hallazgos indican que el modelo refinado de XGBoost, aumentado por hiperparámetros optimizados por GA, proporciona predicciones altamente precisas para los parámetros de mecanizado. Este resultado tiene implicaciones significativas para las industrias involucradas en el mecanizado de acero maraging, ofreciendo un camino hacia una eficiencia operativa optimizada, reducción de costos y mejora de la calidad del producto en medio de los desafíos de mecanizado del material.
Descripción
El acero maraging, caracterizado por su superior relación resistencia-peso, resistencia al desgaste y tolerancia a la presión, es un material de elección en aplicaciones críticas, incluyendo componentes aeroespaciales y automotrices. Sin embargo, el mecanizado de este material presenta desafíos significativos debido a sus propiedades inherentes. Este estudio examina de manera integral los impactos de las variables de fresado frontal en la calidad de la superficie del acero maraging, la temperatura de corte, el consumo de energía y la tasa de eliminación de material (MRR). Se realizó un análisis experimental y los datos recopilados se utilizaron para entrenar y probar cinco modelos de aprendizaje automático (ML): máquina de vectores de soporte (SVM), vecino más cercano (KNN), red neuronal artificial (ANN), bosque aleatorio y XGBoost. Cada modelo tenía como objetivo predecir los resultados de diferentes parámetros de mecanizado de manera eficiente. XGBoost surgió como el más efectivo, ofreciendo una impresionante precisión de predicción del 98% en conjuntos de datos pequeños. El estudio se extendió a la aplicación de un algoritmo genético (GA) para optimizar los hiperparámetros de XGBoost, mejorando aún más la precisión predictiva del modelo. El GA fue fundamental en la optimización multiobjetivo, considerando diversas respuestas, incluyendo la rugosidad de la superficie y el consumo de energía. El proceso de optimización evaluó diferentes métodos de ponderación, incluyendo pesos iguales y pesos derivados del proceso de jerarquía analítica (AHP) basado en conocimientos de expertos. Los hallazgos indican que el modelo refinado de XGBoost, aumentado por hiperparámetros optimizados por GA, proporciona predicciones altamente precisas para los parámetros de mecanizado. Este resultado tiene implicaciones significativas para las industrias involucradas en el mecanizado de acero maraging, ofreciendo un camino hacia una eficiencia operativa optimizada, reducción de costos y mejora de la calidad del producto en medio de los desafíos de mecanizado del material.