Es innegable el enorme valor añadido del sector productivo que representa la industria aeronáutica reflejado a través de la estricta selección de materiales y los exigentes requisitos en sus procesos de fabricación. Buscando mejorar la relación entre prestaciones mecánicas-densidad y potenciar la maquinabilidad, las aleaciones de aluminio junto a las operaciones de conformado por arranque de viruta resultan candidatos idóneos. En este sentido, la integridad superficial de los elementos estructurales fabricados engloba propiedades relacionadas con la microgeometría, la macrogeometría y las relativas a
los factores físico-químicos del material mecanizado. Tratando de optimizar el proceso productivo, suele ser común plantear un análisis profundo de los parámetros de corte sobre dicho de conjunto de propiedades, buscando estimar el comportamiento de los componentes bajo un conjunto de condiciones de fabricación concretas. Por todo esto, este TFG se ocupa de la aplicación de algoritmos Machine Learning y en particular, de las Redes Neuronales Artificiales (RNA) para la predicción de diferentes propiedades relacionadas con la integridad superficial en función de los parámetros de corte en procesos de torneado en seco de la aleación de aluminio UNS A97075 de uso aeronáutico. Para ello, se plantea inicialmente una optimización de los principales hiperparámetros que gobiernan el rendimiento del sistema, con objeto de maximizar la calidad del modelo predictivo y su capacidad de generalización, para terminar obteniendo tras estudiar diferentes arquitecturas la respuesta de las distintas variables. Una vez obtenido el resultado se determinan los parámetros de corte que optimizan el conjunto de propiedades relacionadas con la integridad superficial junto al tiempo de operación. El uso de RNA ha demostrado ser una herramienta eficaz, mostrando una notable bondad del ajuste, incluso superior a la de otros de modelos analíticos clásicos abordados comúnmente.
Buscar en Dimension