Documentos de Académico
Documentos de Profesional
Documentos de Cultura
M. García Y.*, M. G. Rosales S.*,J. Y. Guevara Z**, I. A. Facundo A.* O. Arzola G.***
*: Facultad de Metalurgia, (U.A. de C)., Universidad Autónoma de Coahuila. Monclova, Coah., México
** Estudiante del programa de Licenciatura I.Q.MyM. Fac. de Metalurgia U.A. de C.
*** Facultad de Ingenieria Mecanica y Electrica(FIME) U.A. de C.
* E-mail: manuel_garcias@mail.uadec.mx
Resumen
Actualmente la industria metalmecánica requiere obtener resultados rápidos y confiables de los ensayos experimentales de
los aceros, Por lo tanto, el modelado de su comportamiento es un tema de relevancia que ha sido parte de diversas
investigaciones en años recientes. Específicamente, en la predicción de propiedades mecánicas sin necesidad de llevar a
cabo costosos ensayos experimentales.[1] En este contexto, el presente trabajo es un paso más hacia la formulación de una
relación válida entre la composición química del material de aporte y sus propiedades mecánicas. Para el logro de este
objetivo se desarrollo un modelo basado en técnicas de inteligencia computacional, que aporte los resultados de
predicción de los ensayos mecánicos del acero A572 Gr 50. En este trabajo se recolectaron 180 registros de un total de
300, de los registros seleccionados se tomaron los valores de los contenidos químicos del material de aporte en
condiciones operacionales, partiendo de los registros de control del proceso y de los reportes de calidad del material. Se
utilizaron los resultados experimentales como variables de entrada al modelo de red neuronal tipo [16,6,1], 16 nodos en la
capa de entrada, 6 en la capa oculta y 1 en la capa de salida, los resultados obtenidos del entrenamiento se compararon
con los datos experimentales, para el entrenamiento de los datos se utilizo Neuro solution para Excel, se analizaron los
resultados de distintos algoritmos encontrando que el algoritmo Leveng Marquard fue el que más se aproximo a los
resultados experimentales reportados en las hojas de registro de la colada. Queda de manifiesto una vez más que las redes
neuronales artificiales permiten una adecuada predicción de los resultados de ensayos físicos, una vez conocida su
composición química.
Palabras Claves: Redes Neuronales Artificiales, Inteligencia Computacional, Contenido químico. Ensayos
mecánicos
1. 1. Introducción pueden proporcionar información sobre velocidades de
enfriamiento y el tiempo transcurrido antes de la
El gran número de variables involucradas en el resultado solidificación,
del proceso productivo del Acero, por lo general han dado así como las características químicas y físicas de todo el
lugar a discrepancias insuperables, para el desarrollo de proceso elementos que se están perfectamente conocidos,
modelos confiables para predecir las propiedades aun con todo este conocimiento no serán capaz de predecir
mecánicas de un acero fabricado, tomando solamente las con éxito las propiedades mecánicas de la fundición [4].
variables básicas del proceso, tales como la composición proceso elementos que están perfectamente conocidos, no
química. Así como las características finales del acero, de será capaz de correlacionan con éxito este conocimiento
hecho, las propiedades mecánicas dependen tanto de la con la mecánica propiedades de la fundición [4]. Un enfoque
estructura de la matriz y la forma, tamaño y distribución de alternativo para la predicción de propiedades mecánicas en
los esferoides de grafito. La matriz y esferoides, a su vez, productos de acero se basa en la utilización de una red
dependen de la composición química de fusión, en la neuronal artificial (ANN). Las RNA consisten en muchos
desulfuración, globular y la escoriación métodos aplicados elementos de computación, que funcionan en paralelo,
en la olla de tratamiento, en el método de inoculación interconectados por enlaces con pesos variables que son
normalmente se toma en consideración el tiempo adaptados durante el proceso de aprendizaje. Aunque el
transcurrido entre estos eventos y el vaciado en el molde [1]. desarrollo parte de modelos matemáticos que se iniciaron
Por otra parte, la mecánica de la formación esferoide en sí en la década de 1960, Sólo en los últimos años han tenido
no ha sido aún entendido completamente y muchos una gran aplicación en muchas de las áreas del
modelos se encuentran aún en desarrollo[2,3]. A ello se suma conocimiento científico, debido principalmente al avance
el hecho de que cada producción de acero, la planta ha tecnológico en el área de los ordenadores y en el desarrollo
desarrollado su propio proceso, diferentes de los de otros en de algoritmos para las RNA, esto ha permitido el
muchos factores, tales como la composición de la carga, las desarrollo de modelos computacionales para la solución de
características de la arena de moldeo y su compactación, el ciertos problemas en la industria metal mecánica[5,7].Para el
método de fundición, etc, desarrollo de las RNA, una parte fundamental consiste en
Por esta razón, aunque existe los análisis de elementos determinar los datos de entrada (input) y salida (target) que
finitos (FEM) oanálisis de diferencias finitas (FDM) que son necesarias para la etapa del modelo de red a elegir.
Estos pueden obtenerse a través de un proceso de modelo o lineal, y en ocasiones tienen una compleja relación entre
través de la experimentación real. las variables de entrada y salida del modelo experimental
el hacer modelos de predicción de ensayos mecánicos 2.- experimentación
requiere detallar todas las condiciones de trabajo, el
predecir estos ensayos requiere validar el modelo lo cual se 2.1 Obtención de datos y estructura del modelo
efectúa apoyándose en experimentos en laboratorio, porque
es muy difícil en el campo Para poder aplicar Redes Neuronales Artificiales a un
el primero describe la resistencia de un material a un problema especifico, es necesario recolectar datos.
esfuerzo aplicado lentamente. entre las propiedades Se eligieron 180 de una muestra de alrededor de
importantes están el esfuerzo de cedencia, la resistencia a la 300, estos son de pruebas de laboratorio de los
tensión, el módulo de elasticidad, y el porcentaje de contenidos químicos y sus correspondientes
elongación, así como el porcentaje de reducción de área. el resultados de ensayos mecánicos. Estos datos
ensayo de dureza mide la resistencia de un material a la corresponden a los rangos mostrados en la tabla 1.
penetración y da una medida de su resistencia al desgaste y Algunos de de los 300 datos registros de pruebas
a la abrasión. comúnmente se utilizan varios ensayos de debieron ser descartados, dejando únicamente 180
dureza, incluyendo los ensayos rockwell y brinell. a datos confiables y utilizables, por las siguientes
menudo la dureza se relaciona con otras propiedades razones:
mecánicas, particularmente con la resistencia a la tensión. Componentes Especiales. En algunos
todos estos ensayos arrojan resultados los cuales se
resultados agregan ciertos componentes
encuentran en hojas de registro por lo que al ir aumentando
la cantidad de datos almacenados, la capacidad para químicos poco usuales y obligan a agregar
asimilarlos disminuye, lo que hace necesario el uso de una o más variables al problema, lo que hace
herramientas computacionales que permitan extraer al sistema innecesariamente más grande (y
conocimiento útil a partir de grandes conjuntos de datos. la por lo tanto más difícil de entrenar).
inteligencia computacional es una colección de paradigmas Datos poco claros o incompletos. Algunos
con inspiración biológica y lingüística, en los cuales se resultados son poco claros acerca de los
incluyen redes neuronales, sistemas conexionistas, componentes químicos que agregan,
algoritmos evolutivos, sistemas difusos así como haciendo que el registro sea poco confiable.
inteligencia computacional[3,4] en algunos trabajos estas
técnicas se emplean por separado y en otras casos Los componentes químicos elegidos como relevantes
combinados, estas han sido aplicados en la predicción de son mostrados en la tabla 1:
ensayos mecánicos, llegando a ser herramientas practicas Para el entrenamiento del modelo, se dividió el
en la predicción y clasificación.[5] la elección adecuada conjunto de 180 datos disponibles en 3 subconjuntos
del modelo, más un algoritmo de entrenamiento, es el generados de manera aleatoria la división de los
procedimiento utilizado para construir modelos de redes mismos quedando divididos de la siguiente manera:
neuronales 60 % para el Entrenamiento (108 datos), 20 % para
capaces de realizar una buena predicción en problemas el Control o testeo (36 datos), y 20 % para la
ingenieriles [3,4] Validación (36 datos). Los datos fueron analizados
la elección adecuada del modelo, más un algoritmo de utilizando la herramienta Neurosolutions o
entrenamiento, es el procedimiento utilizado para construir NeuroExcel en version Beta
modelos de redes neuronales capaces de realizar una buena El numero de muestras utilizadas mostraban las
predicción en problemas ingenieriles [3,4] combinaciones posibles dentro de los parametros
con el fin de superar las limitaciones de los modelos establecidos para el acero A570 grado 50, como se
estadísticos tradicionales y mejorar la capacidad de muestra en la tabla 1
predicción, se utilizo el software nerosolutions o 2.2 Composición química del acero
neuroexcel en su versión beta.
La composición química es una parte importante en
las redes neuronales artificiales tratan de representar el
los aceros, conocer esta información permite
conocimiento de un modo conexionista y adaptativo,
establecer si el acero esta dentro de los rangos
aplicando la estructura neuronal del cerebro humano. lo
establecido para cierto grado de acero y así poder
fundamental de este paradigma es el aprendizaje mediante
utilizado,. El material de aporte utilizado en este
patrones o ejemplos, estas han sido ampliamente utilizadas
trabajo se encuentra dentro de los siguientes rangos.
en muchos áreas de investigación llegando a ser una
herramienta altamente flexible para el modelado en Tabla 1 Rangos permitidos de la composición química del
fenómenos de la ciencia e ingeniería, son particularmente acero A570 Gr 50
adecuadas para el tratamiento de aquellos fenómenos que
tienen múltiples entradas y tienen un comportamiento no
C MN P S SI CB la tensión y porciento de elongación. Estos resultados
0.2000 1.000 0.000 0.000 0.000 0.000 experimentales son utilizados para hacer la comparación
0.2600 1.350 0.030 0.015 0.250 0.050 entre los obtenidos por el modelo y los datos
0 0 0 0 0 experimentales para determinar el error medio cuadrático
ALSOL CA N2 TI B V
0 0 0 0 0
0.0200 0.002 0.000 0.009 0.000 0.000 (MLS)
0.0600 0.004 0.008 0.015 0.000 0.008
0 0 0 0 0
NI MO CR ALT
5 0 0 5 0
0.0000 0.000 0.000 0.020
0.0500 0.010 0.060 0.040
0 0 0
0 0 0
2.3 Ensayo de tensión y diagrama de esfuerzo
deformación.
El ensayo de tensión se utiliza para evaluar varias
propiedades mecánicas de los materiales que son
importantes en el diseño, dentro de las cuales se destaca la
resistencia, en particular, de metales y aleaciones, 1.1.1 Figura 2. Diagrama tensión-deformación
realizándose bajo las especificaciones de la norma ASTM nominal
E-8.En este ensayo la muestra se deforma usualmente hasta 2.4 Entrenamiento de la (RNA) con Neuro Solution
la fractura incrementando gradualmente una tensión que se para Excel
aplica uniaxialmente a lo largo del eje longitudinal de la El modelo de red propuesto así como el algoritmo de
muestra. La muestra utilizada es rectangular. (Figura 1). aprendizaje se estructura en el modulo como se
Durante la tensión, la deformación se concentra en la muestra en la figura 3, A partir de 180 muestras del
región central más estrecha, la cual tiene una sección material de aporte con 16 elementos químicos de
transversal uniforme a lo largo de su longitud. aleación que se utilizaron como variables de entrada
La muestra se sostiene por sus extremos en la máquina por en el modelo
medio de mordazas que a su vez someten la muestra a Al ejecutar la opción de New Custom Network la
tensión a una velocidad constante. La máquina al mismo ventana de NeuroSolutions muestra una estructura de
tiempo mide la carga aplicada instantáneamente y la Red Neuronal con los elementos típicos del modelo
elongación resultante (usando un extensómetro). Un ensayo Como se muestra en la figura 4
de tensión normalmente dura pocos minutos y es un ensayo
destructivo, ya que la muestra se deforma permanentemente
y usualmente se fractura.
155
Y
150
135
Y
130
Y 125
120
No.
1 4 7 10 13 16 19 22 25 28 31 34 37 40
R.T. (KSI) R.T. (KSI) Output
MAE 0.2425
R 0.990716496
160
0.99070692. lo que también se puede verificar en la
tabla III 140
120
100
80
No. 1 4 7 10 13 16 19 22 25 28 31 34 37 40
Figura 9. ComparacionL.E.(KSI)
L.E.(KSI) del limite
Output
Fig. 9. Lim. Elastico real vs Lim.
Elastico obtenido por el modelo