logo móvil
Contáctanos

Optimización basada en datos de parámetros de tratamiento térmico T6 conscientes del tamaño para la aleación de aluminio A356

Autores: Tiwari, Tanu; Gan, Tat-Hean; Patel, Jayesh Bhimji

Idioma: Inglés

Editor: MDPI

Año: 2026

Descargar PDF

Acceso abierto

Artículo científico


Categoría

Ciencias de los Materiales

Subcategoría

Materiales estructurales

Palabras clave

Aleación de aluminio
Componentes automotrices
Procesos de tratamiento térmico
Propiedades mecánicas
Aprendizaje automático
Marco de optimización

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 5

Citaciones: Sin citaciones


Descripción
La aleación de aluminio A356 (Al-7Si-0.3Mg) se utiliza ampliamente en componentes estructurales automotrices debido a su favorable relación resistencia-peso, sin embargo, su rendimiento mecánico es altamente sensible a los procesos de tratamiento térmico T6. Los programas de tratamiento térmico convencionales suelen basarse en parámetros uniformes, derivados empíricamente, y no consideran las variaciones en el tamaño, la geometría o la masa térmica del componente. Como resultado, aplicar un solo programa a todos los tamaños de componentes a menudo conduce a un desarrollo microestructural inconsistente, ineficiencia energética y tasas de desperdicio elevadas. Los componentes más pequeños tienden a ser sobreprocesados, mientras que los componentes más grandes pueden estar subprocesados, lo que resulta en propiedades mecánicas subóptimas y mayores costos de producción. Para superar estas limitaciones, este estudio presenta un marco de optimización de tratamiento térmico escalable que integra simulaciones térmicas basadas en la física con técnicas de aprendizaje automático. El marco combina un simulador térmico transitorio con redes de memoria a largo y corto plazo (LSTM) para predecir la evolución de la temperatura de la muestra, regresores de Bosque Aleatorio para estimar propiedades mecánicas como la resistencia al rendimiento, la dureza y el módulo de tenacidad, y optimización bayesiana para generar programas de tratamiento térmico dependientes del tamaño y conformes a las propiedades. A diferencia de los métodos tradicionales, este enfoque ajusta dinámicamente los parámetros del horno a las características individuales del componente, optimizando tanto el tiempo de procesamiento como el consumo de energía mientras minimiza el desperdicio. La aplicación del marco a componentes que van de 0.5 a 10 kg demuestra predicciones basadas en simulaciones internamente consistentes de perfiles de temperatura, evolución de fracciones de fase y tendencias de propiedades mecánicas dentro del marco de modelado asumido. Los programas optimizados lograron reducciones del 15-25% en el tiempo de ciclo mientras mantenían las propiedades dentro de las especificaciones T6. Estos hallazgos subrayan el potencial de la optimización de tratamiento térmico asistida por IA para mejorar la eficiencia energética, reducir el desperdicio de material y mejorar la consistencia del rendimiento mecánico en las operaciones de fundición automotriz.

Otros recursos que podrían interesarte

    Temas Virtualpro