Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

Salomón et al., Produ cJ ut i av ni d Sa ed g ud re al 1p ,r oF cr ea s no y me li tn Se ru oà, r me z a2 s, aJ ul laá nd Ce al as i pe r ro ad 2u c. ción

PREDICCIÓN DE PROPIEDADES MECÁNICAS APLICANDO UN

SISTEMA DE INFERENCIA NEURO-DIFUSO EN MANUFACTURA

ADITIVA

Barrionuevo, Germán O.

gobarrionuevo@uc.cl

https://orcid.org/0000-0002-4613-3234

Departamento de Ingeniería Mecánica y Metalúrgica, Escuela de Ingeniería, Pontiﬁcia Universidad Católica de

Chile, Av. Vicuña Mackenna, 4860, Macul, Santiago, Chile

Recibido (06/05/20), Aceptado (22/05/20)

Resumen: En el presente trabajo se evalúa la aplicabilidad de una herramienta de inteligencia

artiﬁcial para la predicción de propiedades mecánicas en manufactura aditiva (AM). La fabricación

aditiva brinda la posibilidad de procesar varios materiales desde polímeros y cerámicos hasta

metales, sin embargo, la utilización de esta tecnología se ve limitada debido a que las propiedades

mecánicas no son homogéneas, debido principalmente a la naturaleza de fabricación por capas, ya

que existe porosidad entre capas adyacentes lo cual incrementa la velocidad de degradación de

materiales fabricados por AM. Para la predicción de la porosidad en probetas de acero inoxidable

16L fabricadas mediante fusión selectiva laser (SLM) se aplica una técnica de machine learning

y se evalúa la precisión del sistema de inferencia neuro-difuso (ANFIS). Se utilizó un total de 64

conjuntos de datos, de los cuales el 80% se utilizó para entrenamiento, 10% para validación y 10%

para predicción. Se evaluaron distintas conﬁguraciones de hiperparámetros hasta obtener predicciones

con mínimo error, se evaluó la precisión del sistema aplicando tres métricas estadísticas: error

cuadrático medio (RMSE), error porcentual absoluto medio (MAPE) y el coeﬁciente de determinación

(

R2). Como conclusión se establece que la aplicación de ANFIS resulta fácil de implementar y

la precisión alcanzada es de 1,364, 0,129 y 0,9998 para RMSE, MAPE y R2 respectivamente.

Palabras Clave: Manufactura aditiva, Fusión selectiva láser, Porosidad, Sistema de inferencia neuro-

difuso.

PREDICTION OF MECHANICAL PROPERTIES

APPLYING A NEURO-FUZZY INFERENCE

SYSTEM IN ADDITIVE MANUFACTURING

Abstract: In this work the applicability of an artiﬁcial intelligence tool is evaluated for the prediction

of mechanical properties in parts built by additive manufacturing (AM). The AM process brings the

possibility to process many materials from polymers and ceramics to metals, however the applicability

of this technology is limited due to the anisotropy inherent to the layered manufacturing process, which

generate porosity between adjacent layers accelerating the degradation of the parts built. For the porosity

predictioninsamplesofstainlesssteel316Lbuiltbyselectivelasermelting(SLM)ahybridmachinelearning

tool is applied. A total of 64 data sets were used, of which 80% was used for training, 10% for validation

and 10% for prediction. Different hyperparameters conﬁgurations were evaluated until predictions were

obtained with minimum error, the accuracy of the system was evaluated by applying three statistical

metrics: mean square error (RMSE), mean absolute percentage error (MAPE) and the coefﬁcient of

determination(R2). Inconclusion, it isestablishedthat the use ofa neuro-fuzzyinferencesystem is easyto

implement, and the precision reached is 1,364, 0.129 and 0.9998 for RMSE, MAPE and R2 respectively.

Keywords: Additive manufacturing, Selective laser melting, Porosity, Neuro-fuzzy inference system.

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

UNIVERSIDAD, CIENCIA y TECNOLOGÍA Numero Especial Nº 01 2020 (pp. 81-88)

Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

Salomón et al .T, oP l re on dt ui ncJ uot i avS ni .d ySa edCg aud rre aal 1pb ,ra oFl clroea s nSo y. meS li imtn Seu rul oaà, cr mie óz an2 s, naJ uul lmaá néd rCei cal aas i dpe er rlo aﬂd 2u jc. oc i dó en aire.

I.INTRODUCCIÓN

tencia a la corrosión y desgaste. Sun et al. [6] encon-

La fabricación aditiva (AM), también denomina- tró que si se incrementa la potencia láser, el tamaño de

da impresión 3D, se desarrolló inicialmente como una grano también crece, mientras que si se incrementa la

herramienta para prototipado [1]. AM amplía la liber- velocidad de escaneo, el tamaño de grano decrece, el re-

tad de diseño y brinda la posibilidad de procesar casi ﬁnamiento del grano mejora las propiedades mecánicas.

cualquier material, desde metales, polímeros, cerámi- Zhang et al. [8] analizó la inﬂuencia de la orientación y

cos hasta materiales compuestos [2]. Dentro de la fabri- el ángulo de escaneo donde la máxima resistencia a la

cación metálica se puede distinguir entre dos grandes tensión se obtiene cuando la dirección de fabricación es

tecnologías, una donde se tiene un lecho de polvo metá- perpendicular a la dirección de tracción, mientras que el

lico y a través de una fuente de calor se va fundiendo el ángulo de escaneo óptimo es de 30º. Salman et al. [9]

material selectivamente y la segunda donde se deposita recomienda girar 79º el ángulo de escaneo después de

el material directamente [3]. La tecnología de fusión se- cada capa para reducir la formación de poros durante

lectiva láser (SLM) es un proceso de fusión de lecho el procesamiento por SLM. Lin et al. [10] evalúan el

de polvo diseñado para usar un láser de alta densidad efecto de la velocidad de impresión sobre la densidad

de potencia para fundir y fusionar regiones selectivas relativa y resistencia a corrosión. Aunque se han inves-

de polvo, capa por capa, según datos de diseño asisti- tigado varios parámetros de fabricación para obtener

do por computadora (CAD), donde es posible construir piezas con densidad relativa superior al 99%, no existe

geometrías complejas, imposibles de conseguir por pro- un estudio sistematizado para la identiﬁcación del rango

cesos convencionales [4][5]. Para adoptar esta tecno- de parámetros con el cual es posible obtener máxima

logía a la industria es necesario comprender cómo los densiﬁcación y por consiguiente mejorar las propieda-

parámetros de procesamiento, propiedades del material des mecánicas de piezas fabricadas por SLM.

y condiciones ambientales afectan el desempeño de la

pieza fabricada.

Respecto a la estrategia de fabricación, no existe un

consenso sobre qué técnica proyecta los mejores re-

Las propiedades mecánicas dependen de la microes- sultados [11]. Zhang et al. [8] examinan el efecto del

tructura y en el caso de SLM debido al vertiginoso ciclo ángulo de escaneo desde 0 hasta 90º, con incrementos

de calentamiento y enfriamiento producido por la inte- sucesivos de 15º y de acuerdo a sus resultados la máxi-

racción material-láser se generan mecanismos difíciles ma densidad relativa se obtiene a los 30º con un patrón

de controlar como la extensión de la piscina fundida, de escaneo unidireccional. En general se puede hablar

turbulencia, material sin fundir, oxidación del material, de cuatro tipos de patrones de escaneo: unidireccional,

etc. [6]. Este comportamiento se repite capa a capa, lo zigzag, barrido transversal y patrón de islas o tablero de

cual hace que exista una fuerte anisotropía, debida prin- ajedrez. Salman et al. [9] concluye que las mejores pro-

cipalmente a la evolución de la microestructura [3]. El piedades mecánicas se obtienen con un patrón unidirec-

crecimiento, morfología y orientación de grano depen- cional siempre que se escanee el contorno previamente,

den en gran medida del gradiente de temperatura y la ya que el contorno actúa como límite para la transferen-

tasa de solidiﬁcación [7]. Sin embargo, la evolución de cia de calor.

esta tecnología permitirá generar piezas de repuestos

Para evitar fenómenos no deseados como material

para diversas maquinarias en particular la maquinaria sin fundir y salpicadura del material fundido, existe una

agrícola y de esa manera reducir el lucro cesante pro- ventana de procesamiento en función de la densidad de

ducto de la maquinaria defectuosa cuya mantención se energía, dada por la ecuación

retrasa por falta de repuestos en el momento de la repa-

ración.

푃

(1)

퐸 =

ℎ×푣×푙

Fusión selectiva láser: Efecto de los parámetros de

fabricación

Para obtener piezas con propiedades mecánicas si-

milares a las fabricadas convencionalmente es nece-

Donde, E: es la densidad de energía [J/mm ], P: po-

sario reducir la porosidad, varios estudios realizados tencia láser [W], h: distancia entre escaneo [mm], v:

muestran el efecto de los parámetros de procesamiento velocidad de escaneo [mm/s] y l: altura de capa [mm].

sobre la microestructura, propiedades mecánicas, resis-

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

UU NN I IVV EE RR SS I IDD AA DD ,, CC I IEE NN CC I IAA yy TT EE CC NN OO L LOO GG Í ÍAA VoNlu.m21er,oNEºsp8e2ciaMl Naºr0z1o2202001 (7 p (p p. p8 .1 4- -8 18 5) )

Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

Salomón et al., Produ cJ ut i av ni d Sa ed g ud re al 1p ,r oF cr ea s no y me li tn Se ru oà, r me z a2 s, aJ ul laá nd Ce al as i pe r ro ad 2u c. ción

híbridos que integran los principios ANN y FL y tiene

el potencial de capturar los beneﬁcios de ambos en un

solo marco [16]. Un sistema adaptativo de inferencia

neuro-difusa (ANFIS), es un modelo híbrido de ML que

se ha aplicado en diferentes áreas para la optimización y

predicción en procesamiento de materiales e ingeniería

[17][18], detección de enfermedades [19], predicción

de velocidad [20], control de calidad [21], consume

energético [15], etc.

Gracias a la optimización de algoritmos de ML, se

ha incrementado el desarrollo de técnicas para el mode-

lado y predicción en procesos de manufactura, Sen et

al. [22] aplicaron ANFIS para predecir el rendimiento

de una fresadora CNC en Inconel 690, evaluando la ru-

Figura 1. Efecto de la interacción potencia láser-ve- gosidad, fuerza y temperatura de corte, se utilizaron 29

locidad de escaneo sobre la calidad de un material conjuntos de datos y la arquitectura de la red consistía

procesado por SLM

de 5 capas: capa de entrada, la capa de fusiﬁcación, la

capa del proceso de inferencia, la capa de des-fusiﬁca-

De acuerdo a Bourell et al. [12], los parámetros que ción y la capa de salida. Las predicciones alcanzaron

deﬁnen la calidad de un material procesado por SLM es valores alentadores con un error inferior al 3.8%. Saw

la potencia láser y la velocidad de escaneo (Figura 1), et al. [23] deﬁnieron parámetros de procesamiento óp-

donde si la potencia del láser es baja y la velocidad de timos en el proceso de perforación para reducir el des-

barrido es alta se origina el fenómeno de embolamiento gaste de la herramienta, se utilizó 27 conjuntos de da-

(balling) y por el contrario si la potencia del láser es alta tos para el entrenamiento, y 15 conjuntos de datos para

y la velocidad es baja se genera evaporación del mate- testeo y veriﬁcación, aplicaron un enfoque híbrido en-

rial (efecto keyhole) [5].

tre ANFIS y algoritmos genéticos, obteniendo predic-

ciones con un error relativo inferior al 3%. Garg et al.

Inteligencia artiﬁcial en procesos de manufactura [24] aplicaron la metodología de superﬁcie de respuesta

Debido a la necesidad de optimizar los procesos de (RSM) para alimentar una ANN y predecir la rugosidad

fabricación y gracias al incremento del poder compu- y ondulación de la superﬁcie de una pieza fabricada por

tacional, algoritmos de inteligencia artiﬁcial (IA) se SLM, se utilizó un total de 27 conjuntos de datos para

han empleado para procesamiento de materiales. IA se el proceso de entrenamiento de los cuales se seleccionó

reﬁere a la capacidad de un computador para aprender 5 para veriﬁcación. Zhang et al. [25] desarrollaron un

una tarea especíﬁca a partir de datos [13]. Una de las modelo de predicción de resistencia a la tracción ba-

técnicas de IA más empleada es el aprendizaje automá- sado en aprendizaje profundo o deep learning (DL) en

tico o machine learning (ML), los algoritmos de ML modelado por deposición fundida (FDM), considerando

utilizan métodos computacionales para aprender infor- las propiedades del material, parámetros del proceso y

mación directamente de los datos sin depender de una señales de sensores para alimentar la red neuronal. El

ecuación o modelo predeterminado [14]. Dentro de los error porcentual absoluto medio (MAPE) obtenido fue

algoritmos de ML, los modelos híbridos destacan por su inferior al 7%.

ﬂexibilidad, ya que una parte puede actuar como esti-

mador o predictor, y otra parte actuar como optimizador dad de datos, un extenso proceso de entrenamiento y un

15]. Las redes neuronales artiﬁciales (ANN) tienen la alto poder computacional. Uno de los objetivos de este

La aplicabilidad de DL requiere de una gran canti-

[

capacidad de aprender y entrenarse por sí mismas, se trabajo es evaluar la precisión de un sistema hibrido de

destacan en áreas donde la solución es difícil de expre- ML que permita predecir la densidad relativa en pie-

sar en algoritmos tradicionales [16]. Por otro lado, la zas fabricadas por SLM, por esta razón, ANFIS aparece

lógica difusa (FL) es un método de razonamiento que como una buena solución ya que brinda ciertas ventajas

se asemeja al razonamiento humano, FL permite conﬁar respecto a otras herramientas de ML, es muy útil cuan-

en la experiencia de expertos que ya conocen el pro- do no se cuenta con una gran cantidad de conjunto de

ceso, diferente a las redes neuronales, que toma datos datos, su proceso de entrenamiento es muy fácil y ya

de entrenamiento y generan modelos cercanos [13][16]. que es una red neuronal optimizada, ayuda al algoritmo

Los sistemas neuro-difusos son sistemas inteligentes a ser más rápido y más preciso en términos de eﬁciencia

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

UNIVERSIDAD, CIENCIA y TECNOLOGÍA Numero Especial Nº 01 2020 (pp. 81-88)

Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

[

(

26][27]. En el desarrollo del presente trabajo se aplica B.Entrenamiento y validación

ANFIS) para la predicción de la densidad relativa en

Se implementó un sistema adaptativo de inferencia

probetas de acero inoxidable 316L fabricadas median- neuro-difuso (ANFIS) en Matlab de tipo Takagi-Suge-

te fusión selectiva láser. Se toma como parámetros de no para el entrenamiento, validación y predicción de la

entrenamiento la potencia láser, velocidad de escaneo, densidad relativa en probetas de acero inoxidable 316L

altura de capa y distancia entre escaneos. Se utiliza un fabricadas mediante SLM, los parámetros de entrada

total de 64 conjuntos de datos para el entrenamiento, para alimentar el sistema fueron la potencia láser, velo-

validación y predicción y se evalúa la precesión del sis- cidad de escaneo, altura de capa y distancia entre pasa-

tema aplicando diferentes métricas estadísticas.

das, con un rango de datos de acuerdo a la Tabla II. La

variable de salida es la densidad relativa, donde el valor

mínimo, media y valor máximo es de 91.20, 97.153 y

II.METODOLOGÍA

9.90% respectivamente.

A.Generación de base de datos

Para la generación de la base de datos se realizó una Tabla II. Rango de parámetros de entrada

exhaustiva búsqueda bibliográﬁca de piezas de ace-

Parámetros

Rango

ro inoxidable 316L procesadas por SLM (Tabla I), se

consolidó un total de 64 conjunto de datos, 80% fueron

empleados para entrenamiento, 10% para validación y

min media

max

220

Potencia láser (W)

Velocidad de escaneo (mm/s)

Altura de capa (mm)

122

590

0% para la predicción.

111

0.02

1700

0.05

0.15

0.035

0.088

Tabla I. Referencias para la generación de la base

de datos

Distancia entre pasadas (mm) 0.03

Conjunto de datos Referencia

Año

2019

2020

2014

2017

2016

[8]

[9]

[10]

[28]

[29]

[30]

[31]

Figura 2. Arquitectura del sistema utilizado para el entrenamiento.

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

UU NN I IVV EE RR SS I IDD AA DD ,, CC I IEE NN CC I IAA yy TT EE CC NN OO L LOO GG Í ÍAA VoNlu.m21er,oNEºsp8e2ciaMl Naºr0z1o2202001 (7 p (p p. p8 .1 4- -8 18 5) )

Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

Salomón et al., Produ cJ ut i av ni d Sa ed g ud re al 1p ,r oF cr ea s no y me li tn Se ru oà, r me z a2 s, aJ ul laá nd Ce al as i pe r ro ad 2u c. ción

Para la generación del conjunto de datos de entre-

namiento se aleatorizó la base de datos y se tomaron

los primeros 48 conjuntos de datos, equivalentes a 240

valores. Para la generación del sistema de inferencia

se evaluaron distintas conﬁguraciones de funciones de

membresía tipo triangular, trapezoidal, de campana y

distribución gaussiana. El método de entrenamiento es-

cogido fue tipo hibrido, la tolerancia del error fue de

(2)

(3)

(4)

ꢀ

∑ (푒 − 푝 )

푖

푖 푖

푅푀푆퐸 =

푁

(ꢂꢃꢄꢅꢃ)

ꢀ

푀퐴ꢁ퐸 =

∑

× 100

푖

푁

ꢅꢃ

ꢀ

ꢆ

∑

= 1 −

(ꢂ ꢄꢅ )

ꢃ

푅

ꢀ

ꢅ_ꢃ^ꢆ

∑

ꢃ

×10^(-5) y 10 iteraciones o épocas. La arquitectura del

sistema se indica en la Figura 2, donde en la capa inicial

Donde e es el valor esperado, p es la predicción y N

se encuentra los parámetros de entrada, en la siguiente el número de datos utilizados.

capa se tiene las funciones de membresía para el pro-

ceso de fusiﬁcación, la capa de reglas corresponde al III.RESULTADOS Y DISCUSIÓN

sistema de inferencia, en la siguiente capas se realiza

Los valores de densidad relativa, así como su fre-

el proceso de des-fusiﬁcación y la capa ﬁnal se tiene la cuencia se detallan en la Figura 3. La evaluación de los

respuesta del sistema, en este caso la densidad relativa. hiperparámetros se muestra en la Tabla III, así como

Una vez deﬁnida la arquitectura del sistema, se da los parámetros de entrenamiento y validación. La eva-

inicio el entrenamiento hasta que el sistema alcance la luación de la precisión del sistema se indica en la Tabla

precisión esperada. El proceso de validación se lo reali- IV. Más del 85% de los valores de densidad relativa se

zó con un total de ocho conjuntos de datos, equivalente concentran entre 95,2 y 99,5 %, aunque este porcentaje

a 40 datos; durante esta etapa es posible modiﬁcar pa- representa una porosidad entre 0,5 y 4,8% que parece-

rámetros del sistema para obtener una mejor precisión. ría un valor bajo, la existencia de porosidad entre ca-

pas adyacentes actúa como concentrador de tensiones,

C.Predicción y evaluación de la precisión del sistema acelerando la degradación del material [32]. Además,

Se evaluó la precisión del sistema utilizando tres gracias al incremento de investigaciones sobre AM y

métricas estadísticas: error cuadrático medio (RMSE), la optimización del proceso de SLM, se observa que un

error porcentual absoluto medio (MAPE) y el coeﬁcien- 25% del conjunto de datos empleado alcanza una densi-

te de determinación (R2). Se utilizó un total de ocho dad superior al 99%, mejorando las propiedades mecá-

conjuntos de datos, equivalente a 40 datos. Las métricas nicas como la resistencia a la tensión y maximizando la

se determinan de acuerdo con la ecuación (2), (3) y (4): dureza, lo cual promueve la inclusión de esta tecnología

en la industria.

>99

Densidad relativa (%)

Figura 3. Histograma y polígono de frecuencias de densidad relativa.

Para el proceso de entrenamiento se evaluaron cua- namiento, sin embargo, para el proceso de validación

tro tipos de funciones de membresía, las funciones de el valor de RMSE es de 9,6519. Para el tipo trapezoidal

tipo gaussiana presentan RMSE de 0,4742 para entre- el valor de RMSE para el entrenamiento es de 0,5973 y

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

UNIVERSIDAD, CIENCIA y TECNOLOGÍA Numero Especial Nº 01 2020 (pp. 81-88)

Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

para evaluación RMSE de 7,41. Para el tipo triangular, menor RMSE en comparación con las funciones de tipo

se tiene RMSE de 0,4749 y 6,4328 para entrenamiento gaussiana y de campana. En este trabajo las funciones

y validación respectivamente. Por tanto las funciones de campana generalizada presentan la menor precisión

de membresía de tipo triangular presentan la mayor con un RMSE de 129,54 para validación y 0,4753 para

precisión, estos valores van en acuerdo con [23], donde entrenamiento.

se tiene que las funciones de tipo triangular presentan

Tabla III. Parámetros de evaluación para el entrenamiento y validación del sistema

Funciones de

membresía

Parámetros de entrenamiento

Evaluación de la precisión

RMS E)

(

Método de

Toleranci

a del error

Época

Entrenamient

Tipo

Número

entrenamient

Evaluación

campana

gauss

Hibrido

0,0001

0,000001

0,00001

0,000001

0,47532

0,47425

0,47428

0,59727

129,54

12,2122

9,6519

7,4123

gauss2

trapezoida

triangular

Hibrido

0,000001

0,47489

6,4328

Para la evaluación de la precisión de las predicciones de densidad relativa, se aplicaron diferentes métricas para

evitar sesgos estadísticos [17]. La precisión alcanzada RMSE es de 1,3646, MAPE de 0,1298 y R2 de 0,9998.

Tabla IV. Evaluación de la precisión del sistema de muestra que con el tipo triangular se obtiene el menor

inferencia neuro-difuso

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.

Valor

Predicción

Parámetros de

evaluación

esperado

97,20

95,52

94,60

98,90

96,42

98,95

99,21

98,08

5,9

7,7

8,46

4,3

RMS E

1,3646

0,1298

0,9998

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.

MAPE

_R2

8,84

98,6

RECONOCIMIENTO

El presente trabajo se desarrolló gracias al apoyo

ﬁnanciero por parte de la Secretaria de Educación Su-

IV.CONCLUSIONES

Este trabajo evaluó la aplicabilidad de un sistema de perior, Ciencia, Tecnología e Innovación, beca N° AR-

inferencia neuro-difuso para la predicción de la densi- SEQ-BEC-000329-2017.

dad relativa en probetas de acero inoxidable 316L fabri-

cadas mediante SLM, se puede establecer las siguientes por sus oportunas asesorías en el desarrollo de la pre-

conclusiones:

sente investigación.

A los profesores Magdalena Walczak y Jorge Ramos

A.La máxima densidad relativa se obtiene con una REFERENCIAS

potencia láser mayor a 100 W, velocidad de escaneo en- [1]A. Alafaghani, A. Qattawi, B. Alrawi, and A. Guz-

tre 500 y 700 mm/s, altura de capa entre 0,02 y 0,03 mm man, “Experimental Optimization of Fused Deposition

y distancia entre pasadas de 0,08 mm.

Modelling Processing Parameters: A Design-for-Ma-

nufacturing Approach,” Procedia Manuf., vol. 10, pp.

B.La conﬁguración de las funciones de membresía 791–803, 2017.

ISSN 2542-3401

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

UNIVERSIDAD, CIENCIA y TECNOLOGÍA Numero Especial Nº 01 2020 (pp. 81-88)

UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)

Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

Salomón et al., Produ cJ ut i av ni d Sa ed g ud re al 1p ,r oF cr ea s no y me li tn Se ru oà, r me z a2 s, aJ ul laá nd Ce al as i pe r ro ad 2u c. ción

[2]M. Rinaldi, T. Ghidini, F. Cecchini, A. Brandao, and the art of machine learning models in energy systems, a

F. Nanni, “Additive layer manufacturing of poly (ether systematic review,” Energies, vol. 12, no. 7, 2019.

ether ketone) via FDM,” Compos. Part B Eng., vol. [16]G. Casalino, “Computational intelligence for smart

[

45, no. December 2017, pp. 162–172, 2018. laser materials processing,” Opt. Laser Technol., vol.

3]N. Li et al., “Progress in additive manufacturing on 100, pp. 165–175, 2018.

new materials: A review,” J. Mater. Sci. Technol., vol. [17]J. Mathew, J. Grifﬁn, M. Alamaniotis, S. Kanara-

5, no. 2, pp. 242–269, 2019. chos, and M. E. Fitzpatrick, “Prediction of welding re-

4]Y. Zhu, J. Zou, and H. Yang, “Wear performance of sidual stresses using machine learning: Comparison be-

[

metal parts fabricated by selective laser melting: a lite- tween neural networks and neuro-fuzzy systems,” Appl.

rature review,” J. Zhejiang Univ. A, vol. 19, no. 2, pp. Soft Comput. J., vol. 70, pp. 131–146, 2018.

[

5–110, 2018.

5]C. Y. Yap et al., “Review of selective laser melting: ANFIS based approach for predicting the weld strength

Materials and applications,” Appl. Phys. Rev., vol. 2, of resistance spot welding in artiﬁcial intelligence de-

no. 4, 2015. velopment,” J. Mech. Sci. Technol., vol. 31, no. 11, pp.

6]X. Zhang, C. J. Yocom, B. Mao, and Y. Liao, “Mi- 5467–5476, 2017.

[18]M. F. A. Zaharuddin, D. Kim, and S. Rhee, “An

[

crostructure evolution during selective laser melting of [19]M. L. Huang, H. Y. Chen, and J. J. Huang, “Glauco-

metallic materials: A review,” J. Laser Appl., vol. 31, ma detection using adaptive neuro-fuzzy inference sys-

no. 3, p. 031201, 2019.

tem,” Expert Syst. Appl., vol. 32, no. 2, pp. 458–468,

[7]J. Zhang, B. Song, Q. Wei, D. Bourell, and Y. Shi, 2007.

“

A review of selective laser melting of aluminum allo- [20]M. Valčić, R. Antonić, and V. Tomas, “ANFIS ba-

ys: Processing, microstructure, property and developing sed model for ship speed prediction,” Brodogradnja,

trends,” J. Mater. Sci. Technol., vol. 35, no. 2, pp. 270– vol. 62, no. 4, pp. 373–382, 2011.

84, 2019.

[21]C.-W. Huang, L. Baron, M. Balazinski, and S.

[8]Z. Zhang, B. Chu, L. Wang, and Z. Lu, “Comprehen- Achiche, “Comprehensive model optimization in pulp

sive effects of placement orientation and scanning angle quality prediction: a machine learning approach,” PeerJ

on mechanical properties and behavior of 316L stain- Prepr., pp. 1–18, 2017.

less steel based on the selective laser melting process,” [22]B. Sen, U. K. Mandal, and S. P. Mondal, “Advance-

J. Alloys Compd., vol. 791, pp. 166–175, 2019.

ment of an intelligent system based on ANFIS for pre-

[9]O. O. Salman et al., “Impact of the scanning strategy dicting machining performance parameters of Inconel

on the mechanical behavior of 316L steel synthesized 690 – A perspective of metaheuristic approach,” Meas.

by selective laser melting,” J. Manuf. Process., vol. 45, J. Int. Meas. Confed., vol. 109, pp. 9–17, 2017.

no. July, pp. 255–261, 2019.

[23]L. H. Saw et al., “Sensitivity analysis of drill wear

[10]K. Lin et al., “Selective laser melting processing of and optimization using Adaptive Neuro fuzzy –genetic

16L stainless steel: effect of microstructural differen- algorithm technique toward sustainable machining,” J.

ces along building direction on corrosion behavior,” Int. Clean. Prod., vol. 172, pp. 3289–3298, 2018.

J. Adv. Manuf. Technol., vol. 104, no. 5–8, pp. 2669– [24]A. Garg, J. S. L. Lam, and M. M. Savalani, “La-

679, 2019. ser power based surface characteristics models for 3-D

[11]F. Bartolomeu et al., “Predictive models for physi- printing process,” J. Intell. Manuf., vol. 29, no. 6, pp.

cal and mechanical properties of Ti6Al4V produced by 1191–1202, 2018.

Selective Laser Melting,” Mater. Sci. Eng. A, vol. 663, [25]J. Zhang, P. Wang, and R. X. Gao, “Deep lear-

pp. 181–192, 2016.

12]D. Bourell, J. Coholich, A. Chalancon, and A. Bhat, sition modeling,” Comput. Ind., vol. 107, pp. 11–21,

Evaluation of energy density measures and validation 2019.

for powder bed fusion of polyamide,” CIRPAnn. - Ma- [26]N. Mathur, I. Glesk, and A. Buis, “Comparison of

nuf. Technol., vol. 66, no. 1, pp. 217–220, 2017. adaptive neuro-fuzzy inference system (ANFIS) and

13]N. Siddique and H. Adeli, Computational Intelli- Gaussian processes for machine learning (GPML) al-

ning-based tensile strength prediction in fused depo-

[

“

[

gence: Synergies of Fuzzy Logic. 2013.

gorithms for the prediction of skin temperature in lower

[

14]S. M. Chelly and C. Denis, “Introducing Machine limb prostheses,” Med. Eng. Phys., vol. 38, no. 10, pp.

Learning,” Med. Sci. Sports Exerc., vol. 33, no. 2, pp. 1083–1089, 2016.

26–333, 2001. [27]G. O. Barrrionuevo and J. A. Ramos-Grez, “Machi-

15]A. Mosavi, M. Salimi, S. F. Ardabili, T. Rabczuk, ne Learning for Optimizing Technological Properties

S. Shamshirband, and A. R. Varkonyi-Koczy, “State of of Wood Composite Filament-Timberﬁll Fabricated by

[

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

UNIVERSIDAD, CIENCIA y TECNOLOGÍA Numero Especial Nº 01 2020 (pp. 81-88)

Barrionuevo et al., Predicción de propiedades mecánicas aplicando un sistema de inferencia

Fused Deposition Modeling BT - Applied Technolo- mechanical properties of 316L stainless steel produced

gies,” 2020, pp. 119–132.

by selective laser melting,” AIP Conf. Proc., vol. 2154,

[28]T. Larimian, M. Kannan, D. Grzesiak, B. AlMan- pp. 2117–2131, 2019.

gour, and T. Borkar, “Effect of energy density and scan- [31]A. Röttger, K. Geenen, M. Windmann, F. Binner,

ning strategy on densiﬁcation, microstructure and me- and W. Theisen, “Comparison of microstructure and

chanical properties of 316L stainless steel processed via mechanical properties of 316 L austenitic steel proces-

selective laser melting,” Mater. Sci. Eng. A, vol. 770, sed by selective laser melting with hot-isostatic pres-

no. June 2019, p. 138455, 2020.

sed and cast material,” Mater. Sci. Eng. A, vol. 678, no.

[29]Y. Sun, A. Moroz, and K. Alrbaey, “Sliding wear April, pp. 365–376, 2016.

characteristics and corrosion behaviour of selective [32]B. Zhang, Y. Li, and Q. Bai, “Defect Formation

laser melted 316L stainless steel,” J. Mater. Eng. Per- Mechanisms in Selective Laser Melting: A Review,”

form., vol. 23, no. 2, pp. 518–526, 2014.

Chinese J. Mech. Eng. (English Ed., vol. 30, no. 3, pp.

[30]X. Qi, H. Feng, and L. Liu, “Microstructure and 515–527, 2017.

RESUMEN CURRICULAR

Ger mán 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 Un iversidad Católica de Chile. Su área de

investigación es la optimización de procesos de manufactura

aplicando algoritmos de inteligencia artificial.

ISS NI S 2S 5N 4 22 -5 34 42 0- 13 401/ 1316-4821

U UN NI VI VE RE RS IS DI DA AD D, C, CI EI NE NC CI AI Ay yT ET CE CN NO OL OL OG GÍ AÍ AVoNl.u2m1e,rNo Eºs8p2ecMialaNrºz0o1 22002107( p( pp p. .8 41 -- 18 58 ))