Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

Los métodos de regresión múltiple y redes neuronales artificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dos métodos de predicción: regresión múltiple y redes neuronales artificiales (perceptrón multicapa) con el objetivo de predecir la rugosidad su...

Full description

Saved in:
Bibliographic Details
Published in:INGENIUS 2018-01 (19), p.79-88
Main Authors: Morales Tamayo, Yoandrys, Zamora Hernández, Yusimit Karina, Vásquez Carrera, Paco Jeovanni, Porras Vásconez, Mario Paúl, Bárzaga Quesada, Joao Lázaro, López Bustamante, Ringo John
Format: Article
Language:eng ; spa
Subjects:
acero inoxidable AISI 316L
AISI 316L stainless steel
Analysis of variance and regression
análisis de varianza y regresión
Artificial neural network
Artificial neural networks
Austenitic stainless steels
Computer Science, Artificial Intelligence
Cutting parameters
Cutting speed
Dry high
Engineering, Electrical & Electronic
Engineering, Mechanical
Factorial design
Mathematical models
Neural networks
redes neuronales artificiales
Regression analysis
Reliability analysis
rugosidad superficial
speed turning
Surface roughness
torneado de alta velocidad
Turning (machining)
Citations: Items that this one cites
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Los métodos de regresión múltiple y redes neuronales artificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dos métodos de predicción: regresión múltiple y redes neuronales artificiales (perceptrón multicapa) con el objetivo de predecir la rugosidad superficial en el torneado en seco del acero AISI 316l. En su implementación fueron considerados varios parámetros de corte como la velocidad, el avance y el tiempo de mecanizado. Las ecuaciones obtenidas por ambos métodos fueron comparadas desarrollando un diseño factorial completo para aumentar la fiabilidad de los valores registrados de rugosidad superficial. En el análisis se puede comprobar mediante los valores de coeficientes de determinación que los modelos propuestos son capaces de predecir la rugosidad superficial. Los modelos obtenidos demuestran que la técnica de redes neuronales artificiales tiene mejor precisión que la regresión múltiple para este estudio.
ISSN:1390-650X
1390-860X
1390-860X
DOI:10.17163/ings.n19.2018.08