PREDICCIÓN DE PROPIEDADES MECÁNICAS APLICANDO UN SISTEMA DE INFERENCIA NEURO-DIFUSO EN MANUFACTURA ADITIVA

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 316L 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 neurodifuso. Manufactura aditiva, Fusión selectiva láser, Porosidad, Sistema de inferencia neurodifuso.

Palabras Clave: manufactura aditiva, Fusión selectiva láser, Porosidad, Sistema de inferencia neurodifuso.

Referencias

[1]A. Alafaghani, A. Qattawi, B. Alrawi, y A. Guzman, “Experimental Optimization of Fused Deposition Modelling Processing Parameters: A Design-for-Manufacturing Approach,” Procedia Manuf., vol. 10, pp. 791–803, 2017.

[2]M. Rinaldi, T. Ghidini, F. Cecchini, A. Brandao, y F. Nanni, “Additive layer manufacturing of poly (ether ether ketone) via FDM,” Compos. Part B Eng., vol.
145, no. December 2017, pp. 162–172, 2018.

[3]N. Li et al., “Progress in additive manufacturing on new materials: A review,” J. Mater. Sci. Technol., vol. 35, no. 2, pp. 242–269, 2019.

[4]Y. Zhu, J. Zou, y H. Yang, “Wear performance of metal parts fabricated by selective laser melting: a literature review,” J. Zhejiang Univ. A, vol. 19, no. 2, pp.
95–110, 2018.

[5]C. Y. Yap et al., “Review of selective laser melting:Materials and applications,” Appl. Phys. Rev., vol. 2, no. 4, 2015.

[6]X. Zhang, C. J. Yocom, B. Mao, y Y. Liao, “Microstructure evolution during selective laser melting of metallic materials: A review,” J. Laser Appl., vol. 31,
no. 3, p. 031201, 2019.

[7]J. Zhang, B. Song, Q. Wei, D. Bourell, y Y. Shi, “A review of selective laser melting of aluminum alloys: Processing, microstructure, property and developing
trends,” J. Mater. Sci. Technol., vol. 35, no. 2, pp. 270–284, 2019.

[8]Z. Zhang, B. Chu, L. Wang, y Z. Lu, “Comprehensive effects of placement orientation and scanning angle on mechanical properties and behavior of 316L stainless steel based on the selective laser melting process,” J. Alloys Compd., vol. 791, pp. 166–175, 2019.

[9]O. O. Salman et al., “Impact of the scanning strategy on the mechanical behavior of 316L steel synthesized by selective laser melting,” J. Manuf. Process., vol. 45, no. July, pp. 255–261, 2019.

[10]K. Lin et al., “Selective laser melting processing of 316L stainless steel: effect of microstructural differences along building direction on corrosion behavior,” Int. J. Adv. Manuf. Technol., vol. 104, no. 5–8, pp. 2669–2679, 2019.