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...
| Autor Principal: | Morales-Tamayo, Yoandrys |
|---|---|
| Otros Autores: | Zamora-Hernández, Yusimit, Vásquez-Carrera, Paco, Porras-Vásconez, Mario, Bárzaga-Quesada3, Joao, López-Bustamante, Ringo |
| Formato: | Artículo |
| Idioma: | spa |
| Publicado: |
2018
|
| Materias: | |
| Acceso en línea: |
http://dspace.ups.edu.ec/handle/123456789/15124 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
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.// The simple regression and artificial neural network
methods are techniques used in many industrial aplications. This work developed two models in order to
predict the surface roughness in dry turning of AISI 316L stainless steel. In its implementation they were
considered various cutting parameters such as cutting speed, feed, and machining time. The models obtained by both methods were compared to develop a full factorial design to increase reliability of the recorded values of roughness. The analysis can be corroborated by the values of coefficients of determination that the proposed models are able to predict for surface roughness. The obtained results show that the neural networks techniques are more accurate than the multiple regression techniques for this study. |
|---|