Aplicación de redes neuronales artificiales a la caracterización geométrica de la viruta en el mecanizado sostenible de aleaciones ligeras de uso aeronáutico.

Abstract

Las aleaciones ligeras, especialmente de aluminio, se usan en la fabricación de componentes estructurales de aeronaves. Entre los procesos de conformado que conllevan es común el mecanizado en seco (ausencia total de fluidos de corte): torneado, taladrado y fresado, y la evacuación de viruta se convierte en un factor relevante. En este contexto trabaja el grupo de investigación TEP933 “Ingeniería de Fabricación” de la UMA, en el proyecto de investigación PID2021-125988OBI00 “SISTEMA EXPERTO PARA LA MEJORA DE LA INTEGRIDAD SUPERFICIAL EN EL MECANIZADO SOSTENIBLE DE ALEACIONES LIGERAS” dentro del programa “Proyectos de Generación de Conocimiento” del “Programa Estatal para Impulsar la Investigación Científico-Técnica y su Transferencia del Plan Estatal de Investigación Científica, Técnica y de Innovación 2021-2023”. Es objetivo de este proyecto la aplicación de técnicas de Machine Learning, en concreto redes neuronales artificiales (ANN, Artificial Neural Networks) para la obtención de modelos predictivos de variables de salida del proceso en función de los parámetros de corte relacionados con la morfología de la viruta. El objetivo principal de este TFG es el uso de ANN para caracterizar parámetros de la geometría de la viruta en el mecanizado sostenible de aleaciones ligeras de uso aeronáutico. Primero se obtienen imágenes de tres tipos de aleaciones (Ti6Al4V, UNS A92024 y UNS A97075) de procesos de mecanizado de una pieza, encapsulado de viruta, ataque con ácido, escalado y fotografiado al microscopio. Luego se hace su clasificación automática con inteligencia artificial con la librería de Matlab Neural Network Toolbox y se procesa la imagen: binarizado, detección de contornos, picos y valles, identificación de elementos y obtención automática de parámetros de la viruta. Los resultados se comparan con los obtenidos por procedimientos no automatizados utilizados previamente por el grupo, validando la metodología empleada. Esto ahorra mucho tiempo.