PREDICTION OF MECHANICAL PROPERTIES APPLYING A NEURO-FUZZY INFERENCE
(RMSE) Tipo Número
Método de entrenamient o Toleranci a del error Época s Entrenamient o Evaluación campana 3 Hibrido 0,0001 10 0,47532 129,54 gauss 3 Hibrido 0,000001 5 0,47425 12,2122 gauss2 3 Hibrido 0,00001 10 0,47428 9,6519 trapezoida l 3 Hibrido 0,000001 5 0,59727 7,4123 triangular 3 Hibrido 0,000001 5 0,47489 6,4328 Valor esperado Predicción Parámetros de evaluación 97 97,20 95,9 95,52 RMSE 1,3646 97,7 94,60 98,46 98,90 MAPE 0,1298 94,3 96,42 99 98,95 R2 0,9998 98,84 99,21 98,6 98,08
Tabla IV. Evaluación de la precisión del sistema de inferencia neuro-difuso
IV.CONCLUSIONES
Este trabajo evaluó la aplicabilidad de un sistema de inferencia neuro-difuso para la predicción de la densi- dad relativa en probetas de acero inoxidable 316L fabri- cadas mediante SLM, se puede establecer las siguientes conclusiones:
A.La máxima densidad relativa se obtiene con una potencia láser mayor a 100 W, velocidad de escaneo en- tre 500 y 700 mm/s, altura de capa entre 0,02 y 0,03 mm y distancia entre pasadas de 0,08 mm.
B.La configuración de las funciones de membresía
muestra que con el tipo triangular se obtiene el menor error cuadrático medio RMSE = 0,4789 para entrena- miento y RMSE = 6,4328 para validación. Utilizando funciones de membresía de tipo trapezoidal se obtuvo RMSE = 0,5973 para entrenamiento y RMSE = 7,4123 para validación.
C.La precisión del sistema se evaluó aplicando tres métricas estadísticas, donde se obtuvo RMSE = 1,3646, MAPE = 0,1298 y R2 = 0,9998 utilizando funciones de membresía triangular, mientras que para el tipo trape- zoidal se obtuvo un valor de RMSE = 2,1779.
RECONOCIMIENTO
El presente trabajo se desarrolló gracias al apoyo financiero por parte de la Secretaria de Educación Su- perior, Ciencia, Tecnología e Innovación, beca N° AR- SEQ-BEC-000329-2017.
A los profesores Magdalena Walczak y Jorge Ramos por sus oportunas asesorías en el desarrollo de la pre- sente investigación.
REFERENCIAS
[1]A. Alafaghani, A. Qattawi, B. Alrawi, and A. Guz- man, “Experimental Optimization of Fused Deposition Modelling Processing Parameters: A Design-for-Ma- nufacturing Approach,” Procedia Manuf., vol. 10, pp. 791–803, 2017.
Juan Segura1, Franyelit Suàrez2, Juan Casierra2 .
Salomón et al., Productividad del proceso minero, mas allá de la producción
[2]M. Rinaldi, T. Ghidini, F. Cecchini, A. Brandao, and F. Nanni, “Additive layer manufacturing of poly (ether ether ketone) via FDM,” Compos. Part B Eng., vol. 145, no. December 2017, pp. 162–172, 2018.
[3]N. Li et al., “Progress in additive manufacturing on new materials: A review,” J. Mater. Sci. Technol., vol. 35, no. 2, pp. 242–269, 2019.
[4]Y. Zhu, J. Zou, and H. Yang, “Wear performance of metal parts fabricated by selective laser melting: a lite- rature review,” J. Zhejiang Univ. A, vol. 19, no. 2, pp. 95–110, 2018.
[5]C. Y. Yap et al., “Review of selective laser melting: Materials and applications,” Appl. Phys. Rev., vol. 2, no. 4, 2015.
[6]X. Zhang, C. J. Yocom, B. Mao, and Y. Liao, “Mi- crostructure evolution during selective laser melting of metallic materials: A review,” J. Laser Appl., vol. 31, no. 3, p. 031201, 2019.
[7]J. Zhang, B. Song, Q. Wei, D. Bourell, and Y. Shi, “A review of selective laser melting of aluminum allo- ys: Processing, microstructure, property and developing trends,” J. Mater. Sci. Technol., vol. 35, no. 2, pp. 270– 284, 2019.
[8]Z. Zhang, B. Chu, L. Wang, and Z. Lu, “Comprehen- sive effects of placement orientation and scanning angle on mechanical properties and behavior of 316L stain- less steel based on the selective laser melting process,” J. Alloys Compd., vol. 791, pp. 166–175, 2019.
[9]O. O. Salman et al., “Impact of the scanning strategy on the mechanical behavior of 316L steel synthesized by selective laser melting,” J. Manuf. Process., vol. 45, no. July, pp. 255–261, 2019.
[10]K. Lin et al., “Selective laser melting processing of 316L stainless steel: effect of microstructural differen- ces along building direction on corrosion behavior,” Int. J. Adv. Manuf. Technol., vol. 104, no. 5–8, pp. 2669– 2679, 2019.
[11]F. Bartolomeu et al., “Predictive models for physi- cal and mechanical properties of Ti6Al4V produced by Selective Laser Melting,” Mater. Sci. Eng. A, vol. 663, pp. 181–192, 2016.
[12]D. Bourell, J. Coholich, A. Chalancon, and A. Bhat, “Evaluation of energy density measures and validation for powder bed fusion of polyamide,” CIRP Ann. - Ma- nuf. Technol., vol. 66, no. 1, pp. 217–220, 2017. [13]N. Siddique and H. Adeli, Computational Intelli- gence: Synergies of Fuzzy Logic. 2013.
[14]S. M. Chelly and C. Denis, “Introducing Machine Learning,” Med. Sci. Sports Exerc., vol. 33, no. 2, pp. 326–333, 2001.
[15]A. Mosavi, M. Salimi, S. F. Ardabili, T. Rabczuk, S. Shamshirband, and A. R. Varkonyi-Koczy, “State of
the art of machine learning models in energy systems, a systematic review,” Energies, vol. 12, no. 7, 2019. [16]G. Casalino, “Computational intelligence for smart laser materials processing,” Opt. Laser Technol., vol. 100, pp. 165–175, 2018.
[17]J. Mathew, J. Griffin, M. Alamaniotis, S. Kanara- chos, and M. E. Fitzpatrick, “Prediction of welding re- sidual stresses using machine learning: Comparison be- tween neural networks and neuro-fuzzy systems,” Appl. Soft Comput. J., vol. 70, pp. 131–146, 2018.
[18]M. F. A. Zaharuddin, D. Kim, and S. Rhee, “An ANFIS based approach for predicting the weld strength of resistance spot welding in artificial intelligence de- velopment,” J. Mech. Sci. Technol., vol. 31, no. 11, pp. 5467–5476, 2017.
[19]M. L. Huang, H. Y. Chen, and J. J. Huang, “Glauco- ma detection using adaptive neuro-fuzzy inference sys- tem,” Expert Syst. Appl., vol. 32, no. 2, pp. 458–468, 2007.
[20]M. Valčić, R. Antonić, and V. Tomas, “ANFIS ba- sed model for ship speed prediction,” Brodogradnja, vol. 62, no. 4, pp. 373–382, 2011.
[21]C.-W. Huang, L. Baron, M. Balazinski, and S. Achiche, “Comprehensive model optimization in pulp quality prediction: a machine learning approach,” PeerJ Prepr., pp. 1–18, 2017.
[22]B. Sen, U. K. Mandal, and S. P. Mondal, “Advance- ment of an intelligent system based on ANFIS for pre- dicting machining performance parameters of Inconel 690 – A perspective of metaheuristic approach,” Meas. J. Int. Meas. Confed., vol. 109, pp. 9–17, 2017.
[23]L. H. Saw et al., “Sensitivity analysis of drill wear and optimization using Adaptive Neuro fuzzy –genetic algorithm technique toward sustainable machining,” J. Clean. Prod., vol. 172, pp. 3289–3298, 2018.
[24]A. Garg, J. S. L. Lam, and M. M. Savalani, “La- ser power based surface characteristics models for 3-D printing process,” J. Intell. Manuf., vol. 29, no. 6, pp. 1191–1202, 2018.
[25]J. Zhang, P. Wang, and R. X. Gao, “Deep lear- ning-based tensile strength prediction in fused depo- sition modeling,” Comput. Ind., vol. 107, pp. 11–21, 2019.
[26]N. Mathur, I. Glesk, and A. Buis, “Comparison of adaptive neuro-fuzzy inference system (ANFIS) and Gaussian processes for machine learning (GPML) al- gorithms for the prediction of skin temperature in lower limb prostheses,” Med. Eng. Phys., vol. 38, no. 10, pp. 1083–1089, 2016.
[27]G. O. Barrrionuevo and J. A. Ramos-Grez, “Machi- ne Learning for Optimizing Technological Properties of Wood Composite Filament-Timberfill Fabricated by
88
88
Tolentino S. y Caraballo S. Simulación numérica del flujo de aire.
ISSN 2542-3401
88
Juan Segura1, Franyelit Suàrez2, Juan Casierra2 .
UNIVERSIDAD, CIENCIA y TECNOLOGÍA (pp. 81-88)
ISSN 2542-3401
Salomón et al., Productividad del proceso minero, mas allá de la producción
ISSN 2542-3401/ 1316-4821
Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia
Fused Deposition Modeling BT - Applied Technolo- gies,” 2020, pp. 119–132.
[28]T. Larimian, M. Kannan, D. Grzesiak, B. AlMan- gour, and T. Borkar, “Effect of energy density and scan- ning strategy on densification, microstructure and me- chanical properties of 316L stainless steel processed via selective laser melting,” Mater. Sci. Eng. A, vol. 770, no. June 2019, p. 138455, 2020.
[29]Y. Sun, A. Moroz, and K. Alrbaey, “Sliding wear characteristics and corrosion behaviour of selective laser melted 316L stainless steel,” J. Mater. Eng. Per- form., vol. 23, no. 2, pp. 518–526, 2014.
[30]X. Qi, H. Feng, and L. Liu, “Microstructure and
mechanical properties of 316L stainless steel produced by selective laser melting,” AIP Conf. Proc., vol. 2154, pp. 2117–2131, 2019.
[31]A. Röttger, K. Geenen, M. Windmann, F. Binner, and W. Theisen, “Comparison of microstructure and mechanical properties of 316 L austenitic steel proces- sed by selective laser melting with hot-isostatic pres- sed and cast material,” Mater. Sci. Eng. A, vol. 678, no. April, pp. 365–376, 2016.
[32]B. Zhang, Y. Li, and Q. Bai, “Defect Formation Mechanisms in Selective Laser Melting: A Review,” Chinese J. Mech. Eng. (English Ed., vol. 30, no. 3, pp. 515–527, 2017.
RESUMEN CURRICULAR
Germán Omar Barrionuevo, Ingeniero en Mecatrónica, Magister en Manufactura y Diseño asistidos por computador por la Universidad de las Fuerzas Armadas - ESPE, candidato a Doctor en Ciencias de la Ingeniería por la Pontificia Universidad Católica de Chile. Su área de investigación es la optimización de procesos de manufactura aplicando algoritmos de inteligencia artificial.
Juan Segura1, Franyelit Suàrez2, Juan Casierra2 .
Salomón et al., Productividad del proceso minero, mas allá de la producción Quintana et al., La desnutrición y su incidencia en el rendimiento del aprendizaje