Aplicación de redes neuronales artificiales para estimar propiedades mecánicas

en la zona de la soldadura de aceros experimentales API X110 y APIX120

E. López Martínez1, D. Sánchez2, O. Flores3, B. Campillo3,4
1Estudiante de doctorado en el Programa de Maestría y Doctorado en Ingeniería; Campo des conocimiento: Ing. Química; área: materiales; disciplina: metalurgia
2 Pasante de la carrera de Ingeniería Química Metalúrgica
3Instituto de Ciencias Físicas-UNAM
4Profesor del Departamento de Ingeniería Metalúrgica, FQ-UNAM

Se diseñó una red neuronal artificial (RNA) para estimar el esfuerzo de fluencia en función de la composición química y dureza de aceros microaleados de alta resistencia (HSLA) y aceros de alta resistencia (HSS). La información necesaria para la
RNA se obtuvo mediante la búsqueda en la literatura para construir una base de datos. El diseñó de la RNA fue del tipo perceptón multicapa con una regla de aprendizaje de propagación hacia atrás y función de transferencia sigmoidal,
variando el número de nodos en la capa oculta. Se determinó que la el diseño de la RNA con 11 nodos es capaz de estimar el esfuerzo de fluencia de un acero microaleado en función de la composición química y dureza. Una vez entrenada y
probada la RNA, se utilizó para estimar el esfuerzo de fluencia en las diferentes zonas y subzonas de la soldadura de dos aceros microaleados experimentales de alta resistencia.

Los aceros microaleados bajo estudio denominados acero A y acero B, presentan una microestructura inicial de
martensitamas bainita y de ferrita respectivamente. La Tabla 1 presenta la composición química y la Tabla 2 la dureza y C Mn Ni Mo V Cr Cu Al Nb Si W Ti P S Dureza
esfuerzo de fluencia de los dos aceros.
Tabla 1. Composición química de los dos aceros microaleados
Capa oculta
Acero %C %Si %Mn %Cr %Mo %Ni %Al %Cu %Nb %Ti %S %P Nodo s de entrada
API 0.028 0.244 1.00 0.422 0.180 1.354 0.045 0.011 0.025 0.015 0.005 0.003 Esfuerzo
X120
Nodo de salida
Fluencia
API 0.032 0.236 1.031 0.424 0.167 1.300 0.052 0.011 0.024 0.015 0.003 0.003
Figura 1. Arquitectura de la RNA para predecir el esfuerzo de fluencia
X110
Tabla 2. Dureza y esfuerzo de fluencia de los dos aceros microaleados

Dureza, Esfuerzo de
Acero
HV 0.1 fluencia, MPa f a
API X 120 311 985
API X 110 200 788
En placas de los aceros bajo estudio, se simuló una soldadura de una pasada con el proceso de soldadura por arco con
tungsteno y gas (GTAW). Se determinó el perfil de durezas en la zona de la soldadura.

Se diseñó una RNA del tipo perceptón multicapa con una regla de aprendizaje de propagación hacia atrás y función de Figura 2. Funcionamiento de la RNA
transferencia sigmoidal. En el diseño de la RNA se utilizó una capa oculta variando el número de nodos ocultos (desde
8 hasta 20),

ZF
a) ZACPF b)
ZACCG
ZACRC
ZACPT
2500 2500 2500 2500

Figura 6. Macroestructura de la zona de la soldadura.

Esfuerzo de fluencia

Esfuerzo de fluencia

Esfuerzo de fluencia
Esfuerzo de fluencia

2000 2000 2000 2000

estimado, MPa

estimado, MPa

estimado, MPa

a) API X 120, b) API X 110

estimado, MPa

1500 1500 1500 1500

1000 1000 1000 1000 400 400

Dureza Vickers, HV 0.1
Dureza Vickers HV 0.1

350 350
500 500 500 500
300 300
0 0 0 0
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500 250 250
Esfuerzo de fluencia real, MPa Esfuerzo de fluencia real, MPa Esfuerzo de fluencia real, MPa Esfuerzo de fluencia real, MPa 200 200

150 150
Figura 3. Esfuerzo de fluencia estimado con la RNA y comparado con el real en la etapa de entrenamiento ZF ZAC MB ZF ZAC MB
100 100
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
Distancia, mm Distancia, mm
Figura 7. Perfil de durezas en la zona de la soldadura. a) API X 120, b) API X 110
100 100 100 100
90 90 90 90 1100
Esfuerzo de fluencia, MPa

80 80 80 80
% de resultados

% de resultados

% de resultados

% de resultados

70 70 70 70 1000
60 60 60 60
50 50 50 50 900
40 40 40 40
30 30 30 30 800
20 20 20 20
10 10 10 10 700
0 0 0 0 Soldadura
SoldaduraAPI X 120
Acero A
[-5,5]

[-5,5]

[-5,5]

[-5,5]
(5,10]

(10,15]

(15,20]

(20,25]

(5,10]

(10,15]

(15,20]

(20,25]

(5,10]

(10,15]

(15,20]

(20,25]

(5,10]

(10,15]

(15,20]

(20,25]
[-10,-5)

[-10,-5)

[-10,-5)

[-10,-5)
[-25,-20)

[-20,-15)

[-15,-10)

[-25,-20)

[-20,-15)

[-15,-10)

[-25,-20)

[-20,-15)

[-15,-10)

[-25,-20)

[-20,-15)

[-15,-10)

SoldaduraAPI
Soldadura Acero B
X 110
600
0 1 2 3 4 5 6 7 8
% de error % de error % error % error
Distancia, mm

Figura 4. Frecuencia relativa para porcentajes de error estimados con la RNA en la etapa de entrenamiento Figura 8. Esfuerzo de fluencia en la zona de la soldadura.

2500 2500 2500 2500

Se entrenó y probó una red neuronal artificial para estimar el esfuerzo de fluencia
Esfuerzo de fluencia

Esfuerzo de fluencia

Esfuerzo de fluencia

Esfuerzo de fluencia

2000 2000 2000 2000 en función de la composición química y dureza de aceros. Los coeficientes de
estimado, MPa

estimado, MPa

estimado, MPa

estimado, MPa

1500 1500 1500 1500 correlación lineal que se obtienen de la comparación entre los resultados
estimados y los reales son de 0.9852 y 0.9555 para las etapas de entrenamiento y
1000 1000 1000 1000
prueba respectivamente. De la etapa de prueba, se observó que la RNA es capaz
500 500 500 500 de predecir el esfuerzo de fluencia de cualquier acero que este dentro de los
límites de composición química y dureza.
0 0 0 0
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500 Una vez entrenada y probada la RNA, ésta se utilizó para estimar el esfuerzo de
Esfuerzo de fluencia real, MPa Esfuerzo de fluencia real, MPa Esfuerzo de fluencia real, MPa Esfuerzo de fluencia real, MPa fluencia en la zona de la soldadura de dos aceros microaleados experimentales de
alta resistencia.
Figura 5. Esfuerzo de fluencia estimado con la RNA y comparado con el real en la etapa de prueba
Se agradece al Programa de Apoyos a Proyectos de investigación e Innovación Tecnológica a través
del proyecto IN118714 y al Concejo Nacional de Ciencia y Tecnología a través del proyecto de
ciencia básica SEP-CONACYT 178777, por el apoyo financiero otorgado