Sistemas Inteligentes para Optimizar y Predecir el Rendimiento de Maquinado de la Aleación Inconel 825
Autores: Al-Tamimi, Abdulsalam Abdulaziz; Sanjay, Chintakindi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Modelos inteligentes
Mecanizado
CODAS
ANN
ANFIS-PSO
Tasa de eliminación de metal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 3
Citaciones: Sin citaciones
Los modelos inteligentes están mostrando un aumento en la industria y la academia para optimizar los resultados del sistema y la adaptabilidad para predecir desafíos. En el mecanizado, hay dificultad de imprevisibilidad en el rendimiento de la pieza, especialmente en superaleaciones. El objetivo de esta investigación es proponer un modelo de mecanizado inteligente utilizando técnicas contemporáneas, a saber, evaluación combinativa basada en distancia (CODAS), red neuronal artificial (ANN), sistemas de inferencia neuro-difusa adaptativa y optimización por enjambre de partículas (ANFIS-PSO) para minimizar la fuerza resultante, la energía de corte específica y maximizar la tasa de eliminación de metal. La respuesta de la fuerza resultante ha mostrado estar afectada por la velocidad de avance y la velocidad de corte con una contribución del 54.72% y 41.67%, respectivamente. La velocidad de avance y la profundidad de corte fueron estadísticamente significativas en la tasa de eliminación de metal, contribuyendo con el mismo valor del 38.88%. La respuesta de la energía de corte específica resultó ser estadísticamente significativa respecto a la velocidad de avance con una contribución del 43.04% y una contribución del 47.81% por la profundidad de corte. Para el enfoque CODAS, los parámetros óptimos son una velocidad de corte de 70 m/min, un avance de 0.33 mm/rev y una profundidad de corte de 0.6 mm para el séptimo experimento. Los valores estimados predichos por el método ANN y ANFIS fueron cercanos a los valores medidos en comparación con el modelo de regresión. El modelo ANFIS tuvo un mejor rendimiento que el modelo ANN para predecir el torneado de la aleación Inconel 825. Según el análisis cuantitativo, estos dos modelos son confiables y robustos, y su potencial como mejores herramientas de pronóstico puede ser utilizado para materiales difíciles de mecanizar. Para el ANFIS-PSO híbrido, los parámetros óptimos para minimizar la fuerza resultante fueron (82, 0.11, 0.15), para minimizar la energía de corte específica (45, 0.44 y 0.6) y maximizar la tasa de eliminación de metal (101, 0.43, 0.54). El modelo híbrido ANFIS-PSO ha demostrado ser un mejor enfoque y tiene buena eficiencia computacional y una menor discrepancia en la evaluación.
Descripción
Los modelos inteligentes están mostrando un aumento en la industria y la academia para optimizar los resultados del sistema y la adaptabilidad para predecir desafíos. En el mecanizado, hay dificultad de imprevisibilidad en el rendimiento de la pieza, especialmente en superaleaciones. El objetivo de esta investigación es proponer un modelo de mecanizado inteligente utilizando técnicas contemporáneas, a saber, evaluación combinativa basada en distancia (CODAS), red neuronal artificial (ANN), sistemas de inferencia neuro-difusa adaptativa y optimización por enjambre de partículas (ANFIS-PSO) para minimizar la fuerza resultante, la energía de corte específica y maximizar la tasa de eliminación de metal. La respuesta de la fuerza resultante ha mostrado estar afectada por la velocidad de avance y la velocidad de corte con una contribución del 54.72% y 41.67%, respectivamente. La velocidad de avance y la profundidad de corte fueron estadísticamente significativas en la tasa de eliminación de metal, contribuyendo con el mismo valor del 38.88%. La respuesta de la energía de corte específica resultó ser estadísticamente significativa respecto a la velocidad de avance con una contribución del 43.04% y una contribución del 47.81% por la profundidad de corte. Para el enfoque CODAS, los parámetros óptimos son una velocidad de corte de 70 m/min, un avance de 0.33 mm/rev y una profundidad de corte de 0.6 mm para el séptimo experimento. Los valores estimados predichos por el método ANN y ANFIS fueron cercanos a los valores medidos en comparación con el modelo de regresión. El modelo ANFIS tuvo un mejor rendimiento que el modelo ANN para predecir el torneado de la aleación Inconel 825. Según el análisis cuantitativo, estos dos modelos son confiables y robustos, y su potencial como mejores herramientas de pronóstico puede ser utilizado para materiales difíciles de mecanizar. Para el ANFIS-PSO híbrido, los parámetros óptimos para minimizar la fuerza resultante fueron (82, 0.11, 0.15), para minimizar la energía de corte específica (45, 0.44 y 0.6) y maximizar la tasa de eliminación de metal (101, 0.43, 0.54). El modelo híbrido ANFIS-PSO ha demostrado ser un mejor enfoque y tiene buena eficiencia computacional y una menor discrepancia en la evaluación.