Resumen

Este estudio presenta la mejora de los modelos matemáticos y predictivos del parámetro de rugosidad superficial (Ra) en el fresado de la aleación AA6061 utilizando herramientas de corte de carburo recubiertas con CVD-TiCN en condición seca. Se ha mejorado un modelo experimental para estimar la rugosidad superficial utilizando redes neuronales artificiales (RNA) y la metodología de superficie de respuesta (RSM). Para estos modelos, se evaluaron la velocidad de corte, la profundidad de corte y el avance como parámetros de entrada para el diseño experimental. Para el modelado de la RNA, se estableció que el algoritmo estándar de retropropagación era la selección óptima para el entrenamiento del modelo. En la formación de la construcción de la red, se utilizaron cinco algoritmos de aprendizaje diferentes: la retropropagación de gradiente conjugado, Levenberg-Marquardt, el gradiente conjugado escalado, la retropropagación cuasi-Newton y la retropropagación resistente. La mejor consecuencia con capas ocultas simples para la rugosidad de la superficie se obtuvo con estructuras de red 3-8-1. El análisis estadístico se realizó con un modelo matemático de segundo orden basado en RSM. Las influencias de los parámetros de corte en la rugosidad superficial se definieron mediante el análisis de la varianza (ANOVA). Los resultados del ANOVA muestran que la profundidad de corte es el parámetro más efectivo en la rugosidad superficial. Los modelos de predicción desarrollados mediante RNA y RSM se compararon en términos de precisión de predicción R2, MEP y RMSE. Los datos estimados a partir de la RNA y la RSM resultaron ser muy cercanos a los datos adquiridos en los estudios experimentales. El valor R2 del modelo RSM fue superior a los valores del modelo ANN, lo que demostró la estabilidad y solidez del método RSM.

• Materias:Análisis de suelos Hormigón Construcciones de hormigón Asfalto
• Subjects:Soil testing Concrete Concrete construction Asphalt
• Palabras claves:rugosidad superficial, profundidad de corte, herramientas de corte de carburo, backpropagation de gradiente conjugado, parámetros de rugosidad superficial, diferentes algoritmos de aprendizaje, rsm, términos de predicción, capa oculta única, modelo de superficie
• Keywords:surface roughness, depth of cut, carbide cutting tools, conjugate gradient backpropagation, surface roughness parameters, different learning algorithm, rsm, terms of prediction, single hidden layer, model of surface