Ingeniería Inversa de Parámetros del Proceso de Soldadura por Láser para la Aleación Ti6Al4V Basada en Aprendizaje Automático
Autores: Li, Fei; Liu, Yuan; Ren, Zheng; Zhang, Xiong; Zhao, Yanqiu
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Rendimiento mecánico
Uniones de aleación Ti6Al4V soldadas por láser
Parámetros del proceso
Redes neuronales
Objetivo de optimización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
El rendimiento mecánico de las uniones de aleación Ti6Al4V soldadas por láser está gobernado por múltiples parámetros de proceso con una interacción compleja, lo que lleva a correlaciones no lineales que complican la búsqueda de parámetros óptimos. En este artículo, se desarrolló un modelo de ingeniería inversa para los parámetros de proceso utilizando redes neuronales de retropropagación (BP), con el objetivo de optimizar las propiedades mecánicas como objetivo de diseño de parámetros inversos. La red neuronal BP fue mejorada mediante la sintonización de evolución diferencial, logrando mejoras significativas tanto en la predicción de propiedades mecánicas como en la inversión de parámetros de proceso. El modelo de predicción demostró un error relativo de aproximadamente 3%, mientras que el modelo inverso exhibió un error de alrededor del 6% bajo diversas condiciones de proceso. Luego se propuso un novedoso modelo híbrido BP-WC al fusionar coeficientes de peso de ambos modelos, de predicción e inverso. Este modelo redujo el error inverso de los parámetros de proceso al 3%, proporcionando un marco robusto para la optimización eficiente de parámetros en la soldadura láser de la aleación Ti6Al4V.
Descripción
El rendimiento mecánico de las uniones de aleación Ti6Al4V soldadas por láser está gobernado por múltiples parámetros de proceso con una interacción compleja, lo que lleva a correlaciones no lineales que complican la búsqueda de parámetros óptimos. En este artículo, se desarrolló un modelo de ingeniería inversa para los parámetros de proceso utilizando redes neuronales de retropropagación (BP), con el objetivo de optimizar las propiedades mecánicas como objetivo de diseño de parámetros inversos. La red neuronal BP fue mejorada mediante la sintonización de evolución diferencial, logrando mejoras significativas tanto en la predicción de propiedades mecánicas como en la inversión de parámetros de proceso. El modelo de predicción demostró un error relativo de aproximadamente 3%, mientras que el modelo inverso exhibió un error de alrededor del 6% bajo diversas condiciones de proceso. Luego se propuso un novedoso modelo híbrido BP-WC al fusionar coeficientes de peso de ambos modelos, de predicción e inverso. Este modelo redujo el error inverso de los parámetros de proceso al 3%, proporcionando un marco robusto para la optimización eficiente de parámetros en la soldadura láser de la aleación Ti6Al4V.