Vea discusiones, estadísticas y perfiles de autores para esta publicación en: https://www.researchgate.

net/publication/328593988

SMEDT: UNNUEVOMARCO COMPUTACIONAL PARA EL DISEÑO SOSTENIBLE DEMAQUINARIA, CONUN

CASO DE ESTUDIO

Artículo en REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA) · Mayo 2018

DOI: 10.24054 / 16927257.v31.n31.2018.2776

CITACIONES LEE

0 171

4 autores , incluso:

Jorge Meneses

Universidad Industrial de Santander

10 PUBLICACIONES 4 CITACIONES

VER EL PERFIL

Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:

Desarrollo de un Prototipo de POZO INTELIGENTE para Campo Escuela Colorado Ver Proyecto

Laboratorios remotos y virtuales Ver Proyecto

Todo el contenido que sigue a esta página fue subido por Jorge Meneses el 05 de febrero de 2019.

El usuario ha solicitado una mejora del archivo descargado.

 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

DOI: https://doi.org/10.24054/16927257.v31.n31.2018.2758

Recibido: 13 de octubre de 2017

Aceptado: 26 de diciembre de 2017

SMEDT: UN NUEVOMARCO COMPUTACIONAL PARA EL DISEÑO

SOSTENIBLE DE MAQUINARIA, CON UN CASO DE ESTUDIO

SMEDT: UN NUEVO MARCO COMPUTACIONAL PARA LO SOSTENIBLE

DISEÑO DE MAQUINARIA, CON CASO DE ESTUDIO

MEng. Jorge Enrique Meneses Flórez *, Ing. JR Amaya Silva **

En g. CE Gualdrón Arenas *, MSc. DP Meneses Salazar ***

*
Universidad Industrial de Santander (UIS), Conectividad y Procesamiento de Señales.
Ciudad Universitaria, Bucaramanga, Santander, Colombia.
Tel .: (+577) 634 4000 Ext. 2483/2829.
Correo electrónico: jmeneses@uis.edu.co , cega088@gmail.com
**
Universidad de Cranfield, Reino Unido. Correo
electrónico: j.amaya-silva@cranfield.ac.uk.
***
Universidad de los Andes, Grupo de Mecánica Computacional.
Correo electrónico: dp.meneses60@uniandes.edu.co.

Resumen: Los avances en la ingeniería moderna han permitido la consolidación de sistemas computacionales para el diseño óptimo de máquinas, con

un proceso que se especifica en la búsqueda de estándares propios del producto a diseñar, a partir de conceptos funcionales, estéticas y de

desempeño, así como también, restricciones dimensionales en cuanto a costos, operaciones de manufactura, sustentabilidad y calidad. En el presente

artículo se expone el desarrollo de una herramienta computacional modular, escalable, libre, de fácil mantenimiento e interactiva que soporta la

metodología Sustainable Mechanical Design Tool (SMEDT) para el diseño de máquinas de diferente tipo, a partir del uso de dos técnicas de

optimización estocástica: Optimización por Enjambre de Partículas (PSO) y Algoritmos Genéticos (GA). El caso de estudio se caracteriza por el diseño

de una bomba de pistones axiales con desplazamiento fijo basado en tres parámetros de entrada (rango de presión de operación, rango de velocidad

de operación y capacidad volumétrica). Para lograr el diseño sostenible, se hace uso de la metodología y la herramienta computacional SMEDT,

mediante dos etapas de optimización: la primera enfocada en minimizar el tamaño de la bomba; y la segunda en maximizar la eficiencia volumétrica y

disminuir el ruido. Se analizan el algoritmo de optimización y los parámetros de entrada para determinar su influencia en el diseño final. se hace uso de

la metodología y herramienta computacional SMEDT, mediante dos etapas de optimización: la primera enfocada en minimizar el tamaño de la bomba;

y la segunda en maximizar la eficiencia volumétrica y disminuir el ruido. Se analizan el algoritmo de optimización y los parámetros de entrada para

determinar su influencia en el diseño final. se hace uso de la metodología y herramienta computacional SMEDT, mediante dos etapas de optimización:

la primera enfocada en minimizar el tamaño de la bomba; y la segunda en maximizar la eficiencia volumétrica y disminuir el ruido. Se analizan el

algoritmo de optimización y los parámetros de entrada para determinar su influencia en el diseño final.

Palabras clave: Bomba de Pistones Axiales de Desplazamiento Fijo, PSO, GA, Herramienta
Computacional, Optimización Multi-objetivo, Simulación.

Resumen: Los avances de la ingeniería moderna han permitido consolidar sistemas computacionales para el diseño
óptimo de maquinaria a partir de modelos complejos que consideran no solo cumplir con los estándares industriales,
sino también lograr un diseño funcional, estético para especificaciones de fabricación, calidad y sostenibilidad. En este
artículo se expone el desarrollo de una herramienta de diseño modular optimizada por computadora, gratuita e
interactiva, SMEDT (Sustainable Mechanical Design Tool), creada para apoyar la metodología de diseño mecánico
sostenible para herramientas informáticas, una estrategia propuesta por los autores que permite diseñar un grupo
diverso y amplio de maquinaria basado en dos técnicas estocásticas de optimización: Optimización de Enjambre de
Partículas (PSO) y Algoritmos Genéticos (GA). El caso de estudio propuesto para validar la mencionada herramienta
fue el diseño de un

138
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

Bomba de pistones axiales con placa oscilante de desplazamiento que utiliza tres parámetros de entrada (rango de
presión de operación, rango de velocidad de operación y capacidad volumétrica). Para lograr un diseño sustentable, se
utilizó la metodología para SMEDT y la herramienta, a través de dos pasos de optimización: el primero enfocado en
minimizar los tamaños de la bomba; y luego, usando la salida del primer paso, esta etapa final se enfoca en maximizar el
rendimiento (aumentar la eficiencia frente a disminuir el ruido) contando para la respuesta dinámica de la bomba.

Palabras clave: Bomba de pistón axial de placa oscilante de desplazamiento fijo, PSO, GA, marco
computacional, optimización multiobjetivo, simulación.

1. INTRODUCCIÓN Los autores también propusieron un enfoque computacional que

La huella socioeconómica y el impacto medioambiental de una
máquina durante su ciclo de vida se deben principalmente a la fase
operativa. Cada año, las industrias de alimentos y bebidas,
automotriz y energética adquieren y / o producen más máquinas para
satisfacer las demandas de una población en crecimiento. Dado que
las adquisiciones seguirán creciendo y las emisiones de gases de
efecto invernadero causadas por esas máquinas se acumularán en la
atmósfera, las consecuencias del calentamiento global crecerán
exponencialmente.
puede elegir con éxito las variables de decisión discretas
(materiales, rodamientos y elementos prediseñados) y las
variables de decisión continuas (formas y geometría) en modelos
más realistas y complejos utilizando el método de optimización de
algoritmos genéticos (GA). .
Sin embargo, estudios como el descrito anteriormente son escasos,
inflexibles y limitados. La mayoría solo son capaces de diseñar un
tipo de máquina específico. Además, los métodos de optimización y
simulación son inalterables. Otros estudios demuestran una
automatización incompleta del proceso. Finalmente, pocos son
fácilmente adaptables a las nuevas técnicas de producción.

Para resolver esos problemas, en este trabajo propusimos: (1)

crear un marco computacional modular para apoyar el proceso de
toma de decisiones de diseño sustentable (selección de
materiales, dimensiones y geometría). Este marco permite la
optimización completa del diseño de cualquier máquina en un
rango de operación dado, (2) validando el comportamiento de este
marco en el diseño de una bomba de pistones axiales de plato
Fig. 1. Enfoque tradicional del diseño mecánico. oscilante de desplazamiento fijo utilizando un modelo complejo
Adaptado de [1] (Tabla 1) y comparando los resultados con la literatura, y (3)
analizar el resultado de los métodos de optimización GA y PSO en
La relación entre el rendimiento de una máquina y su diseño está el diseño final.
bien establecida. Por tanto, para disminuir su impacto, debemos
empezar a diseñar máquinas de forma sostenible. Esto significa
que el proceso de diseño debe satisfacer simultáneamente
varios objetivos: eficiencia energética, seguridad y confiabilidad, Tabla 1: Complejidad del desplazamiento fijo
competitividad económica y bajos niveles de contaminación. Diseño de bomba de pistón axial de placa oscilante
Algunos autores [1], [2] han demostrado que el enfoque de
diseño clásico (Figura 1) no es adecuado para lograr un diseño Descripción Valor
sostenible porque es costoso en términos de tiempo y dinero, Num. Ecuaciones diferenciales 10
inhibe las soluciones innovadoras y no garantiza que un diseño Num. Variables del modelo > 100
óptimo finalmente será elegido. Estos Num. Variables independientes > 35
Restricciones sí

139
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

Fig. 2. Arquitectura del software SMEDT

Dónde es un vector que contiene decisión

2. MARCO COMPUTACIONAL
variables, y y son los th y
SMEDT
th de
restricciones de igualdad y desigualdad

La Herramienta de diseño mecánico sostenible (SMEDT) es un
marco computacional C ++ modular, escalable, de fácil
mantenimiento e interactivo. La herramienta (Figura 2) se
compone de tres módulos macro, llamados módulos de modelo,
optimizador y simulador, que están interconectados mediante
restricciones, respectivamente. Para el manejo de restricciones, se
utilizó un método de función de penalización. Esto nos permite
convertir un problema restringido en un problema no restringido con
una penalización.
función objetiva , como se muestra en la ecuación (4):

functores. El marco tiene una interfaz para la entrada de

parámetros, que son los mismos parámetros especificados para
elegir una máquina de un catálogo, y para la salida de
resultados.

2.1 Módulo optimizador

Con ser el factor de penalización.

Este es el módulo que contiene el algoritmo de optimización. Se

propusieron dos optimizadores, PSO y GA, ya que se adaptan
fácilmente a modelos computacionales y tienen una alta eficiencia 2.1.1 Optimización del enjambre de partículas - PSO

en la resolución de problemas de ingeniería multiobjetivo. El

proceso de diseño mecánico se planteó como un problema de
optimización matemática, minimizando el objetivo

función , como sigue:

(1)
Sujeto a:

(2)

(3) Fig. 3. Algoritmo PSO

140
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
PSO [ 3] es un bio-algoritmo inspirado en bandadas de pájaros. En
principio, para cada instante, cada enjambre
La partícula se mueve alrededor de un espacio de búsqueda dimensional,
encontrando la solución óptima del problema. Estos
los movimientos están guiados por la velocidad
actualizaciones según la posición local más conocida
, y la posición global más conocida
. La figura (3) resume el algoritmo PSO.
Tabla 2: Coeficientes de PSO
Coeficiente Valor Coeficiente
2,05
2,05
0,73
Para mejorar el rendimiento del algoritmo, este
La versión de PSO inicializa la posición de forma segura
comenzando en una región factible. Además, dos
Se utilizaron modificaciones a la actualización de velocidad
estándar (Tabla 2): peso de inercia
coeficiente de constricción [5] .Estas enmiendas
garantizar la convergencia de PSO y evitar el uso de
velocidad máxima. Una dinámica fue elegido para
equilibrar la explotación y la exploración: en la primera
iteraciones, facilita la exploración (
en las últimas iteraciones, facilita la explotación
( ). Este comportamiento se muestra en la ecuación (7). Por
ejemplo, para el
partícula:
Dónde ,y son lo cognitivo y colectivo
coeficientes respectivamente, y son los
puntos finales del intervalo para el que
es el número máximo de iteraciones permitidas, es el
y número de iteraciones en el
ciclo. La selección del coeficiente se realizó de acuerdo con la
literatura [4] - [6]. Para la posicion
actualizar , se utilizó la ecuación (8):
Una vez que se completa la actualización de la posición, una nueva partícula
se calcula y
Universidad de Pamplona
IIDTA
Revista Colombiana de
Tecnologías de Avanzada
se actualizan. Este ciclo continúa hasta que se alcanza el
número máximo permitido de iteraciones o hasta que se cumple el
criterio de convergencia.
2.1.2 Algoritmos genéticos - GA
, cuales
GA [7] es un bio-algoritmo basado en la genética y la evolución.
GA inicializa una población aleatoria de cromosomas S en una
solución binaria de longitud L. En cada iteración-generación, los
cromosomas se cruzan y mutan. Sin embargo, cada número
binario debe convertirse a un decimal x_10 para obtener una
matriz x de números continuos y medibles (decodificación),
Valor mediante la ecuación (9).
0.40
1,40
(9)
Cada generación, algunos cromosomas ( ) son
seleccionados para criar una nueva generación y otras se descartan (
). Esta selección se basa en un
proceso de puntuación de aptitud, donde cada individuo tiene un
[4] y , para ser seleccionado. Este valor es
proporcional a la eso se logra
realizando un proceso de normalización utilizando la aptitud del
cromosoma descartado más apto (
. En este caso, el método de selección
utilizado fue el método de la ruleta.
) , mientras
(10)
(11)
(5) GA tiene dos operadores básicos: cruce (una operación de
convergencia) y mutación (una operación de divergencia). El
(6) cruce está destinado a atraer a la descendencia y solo depende
de la información de los padres y del número de puntos de
cruce. En este caso, utilizamos un cruce de un punto, el
(7)
operador de mutación, por otro lado, evita la convergencia de los
individuos a un óptimo local,
modificando aleatoriamente un porcentaje de bits en cada generación, de
modo que el número total de mutaciones viene dado por la ecuación (12):
se define,
(12)
2.2 Simulador
El módulo del simulador es un módulo de ecuación diferencial
(8) ordinario basado en los 4 th- Solicite el método Runge Kutta [8,9],
que simula la respuesta dinámica de una máquina sin construir
prototipos. Puede ser reemplazado por Dormand Prince u otro
y método de solución numérico adecuado.
141
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

2.3 Modelo de máquina: bomba de pistones axiales de placa oscilante Dónde son el exterior, el interior y
radios de paso de pistón del cañón.

El módulo de modelo de máquina contiene las ecuaciones que
representan la máquina deseada a diseñar, en este caso, una bomba
de pistones axiales de plato oscilante de desplazamiento fijo. Se
construyó en base a varios estudios [1], [10-22] y las modificaciones
realizadas por los autores de este artículo.
A partir de entonces, el diámetro mínimo del eje se calculó utilizandoes
la ecuación de línea de Goodman, que requiere un factor de
seguridad predeterminado, NSF, y un factor de resistencia máxima del
material. La Figura (5) muestra un análisis de los momentos cortantes
y flectores.

El diseño óptimo debe: minimizar el volumen de la bomba,

maximizar la eficiencia y minimizar dos tipos de ruido: ruido de (17)
estructura (SBN) y ruido de fluido (FBN). Para lograr este
objetivo, el modelo se dividió en dos partes.

2.3.1 Módulo de máquina: Optimización de bomba modelo de primera etapa

El módulo de la máquina utiliza las ecuaciones establecidas para obtener las

dimensiones del grupo giratorio de la bomba, que está compuesto por el
pistón del eje de transmisión, el bloque de cilindros, la placa oscilante y la
placa del puerto. El diámetro del pistón se determina analizando la sección
crítica del cañón [15]. Las fuerzas de presión de la cámara contigua se
calculan como se muestra en la Figura (4).

Fig. 5. Momentos de cizallamiento y flexión

Posteriormente, se realiza una evaluación de la fuerza del pistón

utilizando un diagrama de cuerpo libre (Figura 6). La fuerza principal
del pistón es la fuerza radial que se ejerce sobre la cabeza del pistón.
Se puede calcular utilizando la ecuación (18).

(18)

Una vez que la tensión máxima del pistón es

calculado, se puede realizar un proceso de evaluación de la

Fig. 4. Fuerzas y dimensiones principales del barril.
penalización en función de las restricciones. Las siguientes ecuaciones
Adaptado de [15]
(19, 20, 21 y 22) son 4 de las 12 restricciones propuestas debido a la
geometría del ensamblaje de las subpartes y la resistencia del material.

(13)
(19)

(20)
Entonces, es posible encontrar el radio representativo del bloque de
cilindros usando las ecuaciones (14, 15 y (21)
dieciséis). (22)

(14)

(15)
(dieciséis)

142
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

(29)

(30A)

(30B)

(30C)

Dónde es el módulo de volumen del fluido, que depende

Fig. 6. Fuerzas principales del pistón. Adaptado de [15]
en la presión y temperatura de la cámara del pistón (ecuaciones
30A, 30B y 30 C). Usando un fluido HLP32, el
Finalmente, se evalúa la función objetivo (ecuación 23) y se
constante valores son
calcula una aptitud penalizada (ecuación 24). Este resultado
incluye la minimización del volumen del barril (ya que es
proporcional al de la bomba) y la maximización del ángulo del
plato oscilante. [17].

son las fugas (Figura 7)

a través de 3 espacios de lubricación: el pistón al bloque de cilindros, el bloque
(23)
de cilindros a la placa de válvulas y la zapata para

huecos del plato oscilante, respectivamente [15]. es la suma

(24)
de los caudales entre el cámara y el
puertos de bomba [17]. Dado que las fugas dependen principalmente de la
altura del espacio, la fuga óptima viene dada por la altura óptima del
espacio. Por ejemplo, para que el pistn
2.3.2. Módulo de máquina: modelo de segunda etapa de optimización
de bomba bloque de cilindros, altura de separación óptima es dado por
ecuación (31) [15].
El modelo de la segunda etapa se basa en las ecuaciones para el
diseño de la placa de puerto. El modelo incluye la respuesta
dinámica de la bomba: su perfil de presión, perfil de momentos y
(31)
perfil de fuerzas. También tiene en cuenta los cambios de
compresibilidad y densidad en función de las presiones y
temperaturas de la cámara del pistón y de la cámara de descarga
(asumidas constantes para un diseño óptimo). En esta etapa, el

Los objetivos son minimizar las fugas de flujo. ,y

minimizar y .

La posición, carrera, velocidad y aceleración del pistón vienen dadas

por las ecuaciones (25, 26, 27 y 28), respectivamente.

Fig. 7. Fugas del pistón. Adaptado de [15]

(25)
(26)
El volumen de fluido, , dentro de una cámara puede ser
(27)
calculado usando (ecuación 32):
(28)

(32)
Para calcular la presión de la cámara del pistón, se utiliza la ecuación
diferencial (30). Considera la presión como constante en el dominio
del espacio pero no en el dominio del tiempo. El cambio del volumen a lo largo del tiempo, dado por , es

(ecuación 33):

143
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

En este trabajo, analizamos el efecto de utilizar la Técnica de

(33)
sincronización ideal. Para conseguir el efectivo
área del puerto del riñón (), definimos 6 ángulos para cada puerto del riñón.
Dónde es el volumen de fluido cuando el pistón está en Estos ángulos se miden desde el TDC hasta el centro del orificio de la cámara
punto muerto superior (TDC). del pistón, como se muestra en la Figura (9). La definición del área se especifica

mediante un modelo de riñón linealizado, de la siguiente manera:

:
(36)

(37)

(38)

Fig. 8. Esquema de la bomba de pistones axiales con el

(39)
líneas conectadas. Adaptado de [23]

(40)
Los caudales de succión y descarga se simularon utilizando las
ecuaciones (34) y (35) del orificio turbulento (Figura 8).
(41)

(42)

(34)
Dónde es la relación de curvatura y es el piston
cámara apertura centrar distancia.

son las posiciones angulares

(35)
en el que la cámara comienza y termina de contactar con el puerto.

Dónde y son la descarga De acuerdo con [23], para modelar la presión del sistema causada por la
coeficientes. Eso es ficticio ese carga, se puede usar una válvula de estrangulamiento virtual en la entrada

. y son los y salida de la bomba (ecuaciones 43 y 44). Esta estrategia permite

suficientes ecuaciones para la simulación de presión. En este caso, la
áreas de apertura de la placa de la válvula para la transferencia de flujo entre
presión baja se asume como una constante.
la cámara y los puertos de la bomba.
son la presión del puerto de descarga y el puerto de succión

presión, respectivamente, mientras es la cámara

presión. (43)

(44)

Dónde es el módulo volumétrico instantáneo del fluido

en la cámara de descarga, que se calcula utilizando

ecuaciones (30A, 30B y 30C). y son
los volúmenes del puerto de descarga y del puerto de succión,
respectivamente. Estos valores dependen del colector

geometría. y son el puerto de descarga

caudales de entrada y salida. es calculado por

sumando los caudales de descarga del pistón (ecuación
45).

(45)

Fig. 9. Modelo lineal de puerto renal lineal

144
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

Computar , una modificación de la ecuación (34) Las optimizaciones de primera y segunda etapa se muestran en la Figura (10).

se utiliza (ecuación 46). El área de la válvula de mariposa,

, se calculó mediante una regresión matemática.

El OM selecciona PSO o GA según la elección del usuario.
Luego, el optimizador crea una población aleatoria segura inicial.
A partir de entonces, cada una de las partículas o cromosomas
(46)
evalúa su solución en el modelo de bomba. Para esta operación,
el simulador calcula la respuesta dinámica de la bomba y, por lo
tanto, captura las oscilaciones de flujo y presión. Terminado
En resumen, este modelo considera un total de 10 ODE (1 para
esto, el simulador verifica si hay cavitación o sobrepresurización,
cada pistón y 1 para la presión del puerto de descarga) que
luego calcula la función objetivo penalizada y continúa este ciclo
deben resolverse simultáneamente con las otras ecuaciones
hasta que se encuentra la solución óptima o se alcanza el
normales. Esto permite el cálculo de la presión instantánea en
número máximo de iteraciones. Este proceso se realiza 4 veces,
cada cámara de pistón y en el puerto de descarga, teniendo en
una para cada punto de operación. Los últimos cuatro diseños
cuenta la compresibilidad del fluido de trabajo. Para esta etapa,
óptimos se evalúan con respecto a los otros 3 puntos operativos
los objetivos fueron
para garantizar que aún satisfacen las restricciones de diseño.
Finalmente,
minimizar las fugas de flujo , y para minimizar el
fuentes de ruido y . Hay 8
variables de decisión; 4 ángulos cada uno para ambos puertos de
riñón. Se utilizan restricciones para que no haya sobrepresurización
ni cavitación. En esta fase utilizamos el mismo modelo penalizado
que en la primera fase de optimización.

3. SIMULACIÓN Y RESULTADOS

(47)
Para validar la eficiencia del SMEDT, se realizó una optimización
del diseño de la bomba variando la presión operativa y la
(48) velocidad angular operativa. Esto crea un rango operativo que
está enmarcado por 4 puntos operativos críticos, como se
muestra en la Figura (10).

(49)

Tabla 3: Especificaciones de la bomba

Dónde es proporcional a la diferencia entre
la presión mínima y la presión de cavitación. Pmax Pmin nmax nmin

es proporcional a la diferencia entre la presión máxima y 330 [bar] 230 [bar] 2000 [rpm] 1200 [rpm
la presión de funcionamiento.
son las restricciones debidas a los límites de la variable de Los valores mínimos y máximos de presión y velocidad se muestran
en la Tabla (3). Esta sección está dividida en dos partes para
decisión.
analizar de forma independiente la influencia del algoritmo del
optimizador y su número de iteraciones en la primera etapa del caso
2.4 Arquitectura y metodología del marco computacional
de estudio, y para analizar el desempeño general del SMEDT en el
diseño sustentable de un pistón axial tipo plato oscilante de
desplazamiento fijo. bomba.
Se desarrolló un esquema de varios niveles de clases basadas en
plantillas de C ++. El SMEDT tiene 11 clases y 4 estructuras (también
denominadas "objetos", que están organizados jerárquicamente como
se muestra en la Figura (2). El administrador de optimización ( OM) es el
objeto principal ya que establece y gestiona las tareas del proceso de
optimización. También permite la entrada y salida de datos y la
configuración de las preferencias del usuario. El administrador de
simulación ( SM) es el objeto secundario y permite cambios en el
método de simulación. Para una mejor comprensión de las operaciones
SMEDT, el

145
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

Fig. 10. Algoritmo SMEDT

3.1. Comparación de resultados de GA y PSO

En esta sección, realizamos solo la optimización de la primera

etapa, ya que es la que consume menos tiempo de las dos, usando
GA y PSO en 100 y 1000 iteraciones cada una. El proceso se
repitió 10 veces para encontrar la desviación de los resultados. La
bomba y los parámetros de optimización se muestran en las Tablas
(3) y (4).

Tabla 4: Especificaciones del algoritmo de optimización

Iter. Part./ Chrom Selection CR

PSO 100-1000 20 N/A N/A
Georgia 100-1000 50 Ruleta 0.8
Figura 11 Cambio de óptimo variar

146
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

Número de pistones Z 9

3.2 Diseño completo de la bomba con PSO

En esta sección, se muestran los resultados del diseño óptimo completo de la

bomba de pistones axiales de placa oscilante para validar la eficiencia de
SMEDT. Los parámetros de diseño se muestran en la Tabla (5).

Dado que la primera optimización solo tiene en cuenta el diseño

mecánico, el proceso de optimización se realiza solo en los
puntos operativos más críticos (es decir, presión máxima y
velocidad angular máxima) donde las tensiones en los
Figura 12. Cambio de Óptimo variando
componentes están en sus máximos. Los resultados de esta
etapa se muestran en la Tabla (6).

Tabla 6: Resultados de la primera etapa: Dimensiones principales

Parámetros de diseño Magnitud

Ángulo del plato oscilante β [°] 19

Diámetro del pistón [mm] 15,3

Radio de paso del pistón R [mm] Longitud de 29,7

la camisa del pistón [mm] 28

Longitud excepcional del pistón en ODC Longitud 21

total del pistón [mm] 49

Figura 13. Cambio de variación óptima

Por otro lado, la segunda etapa de optimización tiene en cuenta

Los resultados (Figuras 11, 12 y 13) mostraron, más claramente en los cuatro (4) puntos operativos críticos para garantizar un buen

el caso de PSO, una tendencia a incrementar los valores de las desempeño en todo el rango operativo. Los resultados para cada

variables de decisión con el aumento del volumen de punto de operación se muestran en la Tabla 7. El tiempo total de

desplazamiento. En el caso de GA, la aptitud media para la prueba cálculo de la segunda etapa fue de 24 horas.

de 100 iteraciones es -9,32. Este valor de aptitud también tiene una

gran desviación. Al aumentar el número de iteraciones a 1000, la
Tabla 7: Diseño óptimo de la placa de puertos en el 4 Oper.
aptitud mejora a un valor de -12, 45 y las oscilaciones disminuyen
aproximadamente un 20%. En el caso de PSO, los resultados en Puntos

100 iteraciones y 1000 iteraciones muestran una aptitud promedio

Puerto de succión
de -22.54, con desviaciones menores a 0.001% y 0.000001%, Puerto de descarga de funcionamiento

respectivamente. Punto Comienzo Fin Comienzo Fin

1 17,83 153,91 188,55 330,97

2 20.54 158,22 191.01 331,26

Tabla 5: Parámetros de diseño de bomba completa 3 14.56 157,23 189.09 331.03

4 18,89 158,52 190.23 331,59

Condiciones de operación Magnitud

Presión máxima de funcionamiento [bar] 330 4. DISCUSIÓN

Min. Presión de funcionamiento [bar] 230 En este artículo, el desempeño del marco computacional modular
Max. Angular de funcionamiento Velocidad SMEDT para lograr un diseño mecánico sostenible para cualquier
2000
[RPM] máquina se demostró analizando como caso de estudio el diseño
Min. Operando Angular Velocidad de una bomba de pistones axiales de plato oscilante de
1200
[RPM] desplazamiento fijo y variando el método de optimización.

Volumen de desplazamiento [cc] 34

147
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Las pruebas se realizaron teniendo en cuenta el comportamiento
holístico de la máquina en un rango operativo y no solo en un
solo punto. Esta investigación también validó la eficiencia de los
métodos GA y PSO para optimizar un diseño mecánico.
Para garantizar la precisión del SMEDT, se adoptó un enfoque de
prueba de divide y vencerás; es decir, se realizaron pruebas
individuales por separado para cada módulo marco [24]. Para
demostrar la eficacia de los algoritmos de optimización GA y PSO,
utilizamos seis problemas de prueba [25]. Allí, PSO mostró
diferencias menores al 2% sobre la mejor solución en cada uno de
los problemas de prueba; mientras que GA resultó en diferencias
menores al 7% en comparación con la mejor solución. Siguiendo
el mismo esquema, el módulo de simulación se probó en cuatro
problemas [8]. Los resultados mostraron coherencia con los
obtenidos mediante MATLAB.
Para la evaluación del módulo de máquina, los resultados
obtenidos en el enfoque de optimización de dos etapas (Figura 14 y
15) se compararon con los de la literatura [1], [17]. Para la primera
etapa, la comparación se realizó utilizando una tesis de posgrado
de la Universidad de Purdue [1], y a pesar de que nuestro modelo
no incluye una evaluación completa de la fuerza del barril de la
bomba, los resultados mostraron diferencias menores al 3% en
todas las dimensiones del grupo rotatorio. Se encontró que para
aumentar la precisión, especialmente cuando la presión de
descarga es baja, se recomienda agregar restricciones de diseño
debido a la restricción de movimiento impuesta por la geometría del
conjunto del pistón deslizante.
Además de la advertencia anterior, los resultados se comportaron
como se esperaba y la influencia de la fuerza de inercia del pistón y
la fuerza centrífuga son mínimas, especialmente en bombas
pequeñas. Se encontró que para las bombas de 24 cc que funcionan
a 330 bar, las primeras variables de decisión de optimización no
parecen depender de la velocidad angular a la que está funcionando
la bomba. Esto se debe a que, aunque existen tres fuerzas que
actúan sobre el pistón, la fuerza de presión afecta principalmente al
tamaño del grupo giratorio. Por ejemplo, en el caso del ángulo del
plato oscilante, la elección de incluir o excluir las fuerzas centrífugas
e inerciales resultó en una diferencia de menos de
0,5 °. Tal variación no tiene influencia en el diseño final porque el
proceso de normalización lo compensa. De lo anterior, podemos
concluir que los resultados obtenidos son consistentes con las
expectativas para el modelo matemático de la bomba [26].
148
Universidad de Pamplona
IIDTA
Revista Colombiana de
Tecnologías de Avanzada
Los métodos de optimización utilizados para resolver la primera
etapa también se compararon para 100 y 1000 iteraciones. Se
encontró que PSO mostró una mejor respuesta en ambos casos.
Esto sugiere que PSO es una buena opción para resolver
problemas de ingeniería incluso con pocas iteraciones, lo que es
un reflejo de un buen equilibrio entre exploración y explotación.
Esta eficiencia se traduce en un requerimiento reducido de
tiempo de computación (aproximadamente un 60% menos). Por
el contrario, GA parece quedar atrapado en óptimos locales (que
violan algunas restricciones de diseño) y, por lo tanto, explora de
manera insuficiente el espacio de búsqueda. GA también
muestra una fuerte dependencia del número de iteraciones y del
factor de mutación elegido. Para abordar este hallazgo,
Con respecto a la segunda etapa de optimización (optimización
de la placa de puertos), para garantizar resultados más
confiables y consistentemente realistas, incluimos un proceso de
simulación integrado en cada ciclo de optimización para capturar
variaciones en la densidad y compresibilidad del fluido
(dependiendo de la presión y temperatura), y el flujos perdidos
(dependiendo de la geometría de los puertos de la placa). Dado
que los estudios anteriores [17] no muestran todos los
parámetros de optimización, no es posible una comparación
numérica completa. Sin embargo, este estudio sí comparó la
respuesta dinámica de la bomba con la encontrada en la
literatura, encontrando una consistencia notable en la forma y
tamaño de las ondulaciones en los gráficos de presión, descarga
de flujo y momentos de 3 ejes. Para aumentar la profundidad del
análisis,
El buen rendimiento de nuestra aplicación la convierte en una
herramienta de toma de decisiones de apoyo adecuada para la
sostenibilidad. En el estudio actual, el criterio de sostenibilidad en
la primera etapa fue la reducción del tamaño de la bomba para un
rango operativo específico para reducir los recursos consumibles
requeridos [28]. En la segunda etapa, fue la mejora de la eficiencia
general para disminuir el consumo de energía. Sin embargo, otros
criterios sostenibles podrían integrarse adicionalmente en el
SMEDT, por ejemplo, la optimización del diseño para la fabricación.
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

Figura 14. Análisis de picos de sobrepresión de diseños óptimos en posiciones angulares críticas

Figura 15. Análisis de cavitación de diseños óptimos en posiciones angulares críticas

utilizando el diseño de la bomba de pistones axiales de plato oscilante.

Por los motivos antes mencionados, el SMEDT hace posible una
revolución en la metodología de diseño de máquinas y
productos, ya que reduce la necesidad de construir prototipos y
disminuye los costos asociados. Esto implica que las máquinas
comercialmente sostenibles pueden competir en precio con
máquinas menos ecológicas. Esta opción generaría un incentivo
adicional para que las empresas hagan la transición hacia el
desarrollo sostenible de la industria.
Estas mejoras tienen un impacto positivo en el costo, el tiempo, la
precisión y la eficiencia, y se producen debido a la capacidad de nuestro
método para proporcionar soluciones de calidad a problemas
multiobjetivos limitados, incluidos los problemas con una simulación
integrada. Observamos una ventaja considerable de PSO sobre GA en
todos los aspectos analizados. Los resultados de PSO siempre fueron
mejores que los de GA tanto en 100 como en 1000 iteraciones. Este
resultado se produjo porque PSO tiene un componente de exploración
más grande que GA. Finalmente, la convergencia de PSO fue mejor
debido al uso del algoritmo de Clerc [5]

5. CONCLUSIÓN

Para concluir, el marco computacional SMEDT mejora

sustancialmente el proceso de diseño, permitiendo modelos más
complejos, como se demostró

149
Universidad de Pamplona
IIDTA
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
EXPRESIONES DE GRATITUD
Deseamos expresar nuestro más sincero agradecimiento al Dr.
Oscar Begambre por su orientación en este proyecto. También
agradecemos a Vicerrectoria de Investigación y Extensión de la
Universidad Industrial de Santander (UIS), por financiar esta
investigación como parte del proyecto: “Desarrollo de un prototipo
de pozo inteligente para Campo Escuela Colorado (8556)”.
REFERENCIAS
[1] R. Ivantysyn, “Diseño computacional de bombas de pistones
axiales tipo placa oscilante: un marco para el diseño computacional”,
Universidad de Purdue, 2011.
[2] Z. Junhui y X. Bing, “Optimización de la holgura del par pistón
/ cilindro basado en un prototipo virtual de bomba de pistón
axial”, Mecatrónica y Sistemas y Aplicaciones Embebidos
(MESA), Conferencia Internacional IEEE / ASME de 2012 en.
págs. 166–
171 de 2012.
[3] J. Kennedy y R. Eberhart, "Optimización del enjambre de
partículas", Neural Redes, 1995.
Proceedings., IEEE International Conference on, vol. 4. págs.
1942-1948 vol.4, 1995.
[4] Y. Shi y R. Eberhart, “Un optimizador de enjambre de
partículas modificado”, 1998 IEEE Int. Conf. Evol. Computación.
Actas. IEEE World Congr. Computación. Intell. (No de catálogo
98TH8360), 1998.
[5] M. Clerc y J. Kennedy, “La explosión del enjambre de partículas,
estabilidad, y convergencia
un espacio complejo multidimensional ”, IEEE Trans. Evol.
Comput., Vol. 6, no. 1 de 2002.
[6] Y. Shi y RC Eberhart, "Estudio empírico de la optimización del
enjambre de partículas", en Actas del Congreso de 1999 sobre
Computación EvolutivaCEC99, 1999, págs. 1945-1950.
[7] JH Holland, Adaptación en sistemas naturales y artificiales,
vol. Ann Arbor. 1975.
[8] RP Canale y SC Chapra, Métodos numéricos para ingenieros,
Sexta edición, vol. 1, no. 3. Nueva York: McGraw-Hill, 2010.
[9] J. Kiusalaas, Métodos numéricos en ingeniería con: Python,
vol. 11, no. 2. 2005.
[10] JM Bergada, S. Kumar, DL Davies y J. Watton, “Un análisis
completo de la bomba de pistones axiales
Universidad de Pamplona
IIDTA
Revista Colombiana de
Tecnologías de Avanzada
fugas y ondulaciones del flujo de salida ”, apl. Matemáticas. Model., Vol.
36, no. 4, págs. 1731–1751, 2012.
[11] JM Bergada, J. Watton y S. Kumar, “Presión, flujo, fuerza y
torsión entre el cilindro y la placa del puerto en una bomba de
pistón axial”, J. Dyn. Syst. Meas. Control, vol. 130, no. 1, pág.
11011, enero de 2008.
[12] BO Helgestad, K. Foster y FK Bannister, “Transitorios de
presión en una bomba hidráulica de pistón axial”, Proc. Inst.
Mech. Ing. , vol. 188
, No. 1, págs. 189-199, junio de 1974.
[13] M. Holland, “Diseño de bombas / motores digitales y
validación experimental de estrategias operativas”, Universidad
de Purdue, 2012.
[14] A. Vacca, R. Klop y M. Ivantysynova, “Un enfoque numérico
para la evaluación de los efectos de la liberación de aire y la
cavitación de vapor en la tasa de flujo efectiva de las máquinas de
pistones axiales”, Int. J. Fluid Power, vol. 11, no. 1, págs. 33–45,
enero.
2010.
[15] J. Ivantysyn y M. Ivantysynova, Eds., Bombas y motores
hidrostáticos.pdf, First Engl. Nueva Delhi-110 019, India: Tech
books international, 2002.
[16] M. Ivantysynova y J. Baker, "Pérdida de potencia en el espacio
de lubricación entre el bloque de cilindros y", Int. J. Fluid Power, vol.
10, no. 2, págs. 29–43, 2009.
en [17] G. Kumar Seeniraj y M. Ivantysynova, “Un enfoque
multiobjetivo de múltiples parámetros para reducir la generación de
ruido de la bomba”, Int. J. Fluid Power, vol. 12, no. 1, págs. 7–17,
enero de 2011.
[18] ND Manring, “La ondulación del flujo de descarga de una
bomba hidrostática tipo placa oscilante de pistón axial”, J. Dyn.
Syst. Meas. Control, vol. 122, no.
2, págs. 263–268, mayo de 1998.
[19] ND Manring, “Diseño del diámetro del eje para niveles
aceptables de tensión dentro de una bomba hidrostática tipo
placa oscilante de pistón axial”, J. Mech. Des., Vol. 122, no. 4,
págs. 553–559, julio.
1999.
[20] ND Manring, “Diseño de placa de válvula para un
Pistón Bomba Operando a Bajo
Desplazamientos ”, J. Mech. Des., Vol. 125, no. 1, págs. 200–205, marzo
de 2003.
150
 ISSN: 1692-7257 - Volumen 1 - Número 31 - 2018
Revista Colombiana de
Tecnologías de Avanzada

[21] ND Manring e Y. Zhang, “La eficiencia volumétrica mejorada

de una bomba de pistón axial que utiliza un diseño de volumen
atrapado”, J. Dyn. Syst. Meas. Control, vol. 123, no. 3, págs.
479–487, enero.
2000.

[22] S. Wang, "Mejora de la eficiencia volumétrica de la bomba

de pistón axial", J. Mech. Des., Vol. 134, no. 11, pág. 111001,
octubre de 2012.

[23] D. Gronberg, “Predicción de la temperatura de la carcasa de las

bombas de pistón axiales”, Universidad Tecnológica de Chalmers, 2011.

[24] LC Maldonado, R. Tarantino y DA Rozo, “Procedimiento de

supervisión continua para el control automático de los
dispositivos producidos”, Revista Colombiana de Tecnologías de
Avanzada, vol. 2, no. 12. págs. 108-113, 2008.

[25] KKE Parsopoulos y MN Vrahatis, “Método de optimización

del enjambre de partículas para problemas de optimización
restringida”, Proc. EuroInternational Symp. Computación. Intell.
2002, no. 6, págs. 214–220, 2002.

[26] A. Bocanegra y R. Ochoa, “Nanomáquinas: pasado,

presente y futuro”, Revista Colombiana de Tecnologías de
Avanzada, vol. 1. págs. 132-136,
2006.

[27] O. Begambre y JE Laier, “Optimización híbrida de enjambres

de partículas - algoritmo simplex (PSOS) para la identificación de
daños estructurales”, Advances in Engineering Software, vol. 40,
no. 9. págs. 883–891, 2009.

[28] EE Espinel, JC Hernández y A. Quintero, “Diseño y

simulación de un prototipo de máquina para señalización de
caminos, automatizada mediante un sistema mecánico”, Revista
Colombiana de Tecnologías de Avanzada, vol. 1, no. 25. págs.
76–
82, 2015.

151
Universidad de Pamplona
IIDTA

Viieew
wppuubblliiccaactitud
enn ssttaattss