Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.uisrael.edu.ec/handle/47000/3818
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Keewong Zapata, Roxani | - |
dc.contributor.author | Kemper Valverdee, Nicolás | - |
dc.contributor.author | Ruiz Huerta, Leopoldo | - |
dc.contributor.author | Caballero Ruiz, Alberto | - |
dc.contributor.author | Nava Sandoval, Rigoberto | - |
dc.contributor.author | Jiménez Carrión, Miguel | - |
dc.date.accessioned | 2023-09-04T14:20:00Z | - |
dc.date.available | 2023-09-04T14:20:00Z | - |
dc.date.issued | 2023-08 | - |
dc.identifier.citation | Keewong Zapata, Roxani [y otros] (2023), Modelo neuronal para la predicción de la rugosidad superficial y optimización del proceso de corte por chorro de agua; Quito, Ecuador: Editorial UISRAEL, agosto 2023. 94 páginas; 21,0 x 29,7 cm. Libro digital - PDF ISBN (digital): 978-9942-8945-7-1, UISRAEL-EC-LIBRO-INGENIERIAS-378.242-2023-001 | es_ES |
dc.identifier.isbn | 978-9942-8945-7-1 | - |
dc.identifier.uri | http://repositorio.uisrael.edu.ec/handle/47000/3818 | - |
dc.description | The objective of this research was to develop the modeling and prediction of surface roughness in cuts of low-dimensional pieces (less than 15 mm) with AWJC (Abrasive Water Jet Cutting) applying neural networks. For this, 80 pieces were cut in the water jet machine with abrasives, varying the material parameters: aluminum and stainless steel, thickness: ⅛", ¼" and ½", pressure: 60,000 psi and 8,000 psi, speed percentage cutting: 20, 40, 60, 80 and 100 and abrasive flow: 0.35 and 0.5 lb/min; then measurements were made on the surface roughness of the cut pieces, using a feeler roughness meter. With these data, the artificial neural network was designed and the topology that best responded to the modeling and prognosis of surface roughness was that composed of 15 neurons in the first layer, 6 neurons in the second layer and 90 epochs, with which a MSE of 0.000000000000793, an RMSE of 8.90595E-07 and a MAPE of 0.0024979% for surface roughness forecast modeling. Likewise, the influence of the cutting parameters was evaluated: percentage of cutting speed, abrasive flow, thickness, pressure and type of material on the surface roughness through an ANOVA and the LSD Intervals, where all the simple effects were significant for the 5 parameters studied, in the double interactions the percentage of cutting speed vs. abrasive flow, percentage of cutting speed vs. pressure, percentage of cutting speed vs. type of material, the flow of abrasive vs. pressure were significant, and there were two identified triple significant interactions between percentage of cutting speed, abrasive flow and pressure and the interaction percentage of cutting speed, pressure and type of material. Waterjet cutting with abrasive has a better effect (less roughness) on steel parts with a low cutting speed percentage (20%, 40%) and a high thickness (0.5”) working with an abrasive flow of 0.5 ” /min and at a pressure of 8000 psi. | es_ES |
dc.description.abstract | La presente investigación tuvo como objetivo elaborar el modelamiento y predicción de la rugosidad superficial en cortes de piezas de bajas dimensiones (menores a 15 mm) con AWJC (Abrasive Water Jet Cutting) aplicando redes neuronales. Para ello se cortaron 80 piezas en la máquina de chorro de agua con abrasivos, variándose los parámetros de material: aluminio y acero inoxidable, grosor: ⅛”, ¼” y ½”, presión: 60 000 psi y 8000 psi, porcentaje de velocidad de corte: 20, 40, 60, 80 y 100 y flujo de abrasivo: 0,35 y 0,5 lb/min; luego se realizaron las mediciones sobre la rugosidad superficial de las piezas cortadas, utilizándose un rugosímetro palpador. Con estos datos se diseñó la red neuronal artificial y la topología que mejor respondió al modelamiento y pronóstico de la rugosidad superficial fue aquella compuesta por 15 neuronas en la primera capa, 6 neuronas en la segunda capa y 90 épocas, con la cual se obtuvo un MSE de 0,000000000000793, un RMSE de 8,90595E-07 y un MAPE de 0,0024979% para el modelamiento del pronóstico de la rugosidad superficial. Asimismo se evaluó la influencia de los parámetros de corte: porcentaje de velocidad de corte, flujo de abrasivo, grosor, presión y tipo de material sobre la rugosidad superficial a través de un ANOVA y los Intervalos LSD, donde todos los efectos simples fueron significativos para los 5 parámetros estudiados, en las interacciones dobles fueron significativas el porcentaje velocidad de corte vs flujo de abrasivo, porcentaje de velocidad de corte vs presión, porcentaje de velocidad de corte vs tipo de material, el flujo de abrasivo vs presión, y existieron dos identificadas interacciones triples significativas entre porcentaje de velocidad de corte, flujo de abrasivo y la presión y la interacción porcentaje de velocidad de corte, presión y tipo de material. El corte por chorro de agua con abrasivo tiene mejor efecto (menor rugosidad) en piezas de acero con porcentaje de velocidad de corte bajo (20%, 40%) de grosor alto (0,5”) trabajando con flujo abrasivo de 0,5” /min y a una presión de 8000 psi. | es_ES |
dc.format.extent | 94 Pág | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Quito, Ecuador: Universidad Tecnológica Israel | es_ES |
dc.rights | openAccess | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | es_ES |
dc.subject | Ingeniería Industrial | es_ES |
dc.subject | Redes neuronales | es_ES |
dc.subject | Modelo predictivo | es_ES |
dc.subject | Rugosidad superficial | es_ES |
dc.title | Modelo neuronal para la predicción de la rugosidad superficial y optimización del proceso de corte por chorro de agua | es_ES |
dc.type | Libro | es_ES |
Aparece en las colecciones: | Ingenieras |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
UISRAEL-EC-LIBRO-INGENIERIAS-378-242-2023-001.pdf | 4,43 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.