Resumen

En este trabajo se utilizaron redes neuronales artificiales (RNA) y análisis de regresión para la predicción de la rugosidad superficial. Se desarrollaron cinco modelos de red neuronal y el modelo que mostró mejor ajuste con los resultados experimentales fue con 6 neuronas en la capa oculta. También se utilizó el análisis de regresión para construir un modelo matemático que representara la rugosidad superficial en función de los parámetros del proceso. El coeficiente de determinación resultó ser del 94,93 y 93,63%, para el mejor modelo de red neuronal y el análisis de regresión, respectivamente, a partir de la comparación de los modelos con trece pruebas experimentales de validación. La microscopía óptica se llevó a cabo en dos superficies mecanizadas con dos valores diferentes de velocidades de avance, manteniendo la velocidad del husillo y la profundidad de corte en los mismos valores. El examen de la topología de la superficie y del perfil de rugosidad de las dos superficies reveló que un mayor avance da lugar a marcas de rugosidad relativamente gruesas y distanciadas entre sí, mientras que los valores bajos de avance dan lugar a marcas de rugosidad superficiales finas y estrechamente espaciadas que proporcionan un mejor acabado superficial.

• Materias:Cinética Industria del cemento Metales Cemento Ingeniería de estructuras Perforación de pozos de minas
• Subjects:Kinetics Cement industries Metals Cement Structural engineering Shaft sinking
• Palabras claves:resultados de avance, análisis de regresión, valor de avance, modelo de red neuronal, marcado de rugosidad de espesor, perfil de rugosidad superficial, predicción de superficie, red neuronal artificial, profundidad de corte, marcado de rugosidad superficial
• Keywords:feed rate results, regression analysis, value of feed, neural network model, thick roughness marking, surface roughness profile, prediction of surface, artificial neural network, depth of cut, surface roughness marking