Resumen

En el presente estudio, se estudió teóricamente el efecto de la carga aplicada, la velocidad de deslizamiento y el tipo y los porcentajes en peso de los refuerzos sobre las propiedades de desgaste del polietileno de peso molecular ultraalto (UHMWPE). Los amplios resultados experimentales se tomaron de la literatura y se modelaron con una red neuronal artificial (RNA). Se utilizó la red neuronal (RNA) de propagación hacia atrás (FF) para predecir el comportamiento de desgaste por deslizamiento en seco de los materiales compuestos de UHMWPE. Se utilizaron once vectores de entrada en la construcción de la NN propuesta. Los aditivos nanotubos de carbono (CNT), fibra de carbono (CF), óxido de grafeno (GO) y wollastonita son los principales parámetros de entrada y la pérdida de volumen es el parámetro de salida de la NN desarrollada. Se observó que la velocidad de deslizamiento y la carga aplicada tienen un mayor efecto sobre la pérdida de volumen de los materiales compuestos de UHMWPE en comparación con otros parámetros de entrada. Se presentó la condición adecuada para lograr los comportamientos de desgaste deseados del UHMWPE adaptando el porcentaje de peso y el tamaño y composición de las partículas de refuerzo. El modelo NN propuesto y la forma explícita derivada de la formulación matemática muestran una buena concordancia con los resultados de las pruebas y pueden utilizarse para predecir la pérdida de volumen de los materiales compuestos de UHMWPE.

• Materias:Biopolímeros Reactores químicos - Diseño y construcción Propiedades fisicoquímicas Polimerización Sustancias macromoleculares
• Subjects:Biopolymers Chemical reactors - Design and construction Chemicophysical properties Polymerization Macromolecular substances
• Palabras claves:compuestos de uhmwpe, pérdida de volumen, polietileno de peso molecular ultra alto, red neuronal artificial, resultados experimentales extensos, principales parámetros de entrada, otros parámetros de entrada, tamaño de las partículas de refuerzo, uhmwpe, carga
• Keywords:uhmwpe composites, volume loss, ultrahigh molecular weight polyethylene, artificial neural network, extensive experimental results, main input parameters, other input parameters, reinforcement particle size, uhmwpe, load