Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

• Published in: INGENIUS no. 19; pp. 79 - 88
• Main Authors: Morales Tamayo, Yoandrys, Zamora Hernández, Yusimit Karina, Vásquez Carrera, Paco Jeovanni, Porras Vásconez, Mario Paúl, Bárzaga Quesada, Joao Lázaro, López Bustamante, Ringo John
• Format: Journal Article
• Language: English; Spanish
• Published: Cuenca Universidad Politecnica Salesiana 01.01.2018; Universidad Politécnica Salesiana del Ecuador; Universidad Politécnica Salesiana
• Subjects: acero inoxidable AISI 316L; AISI 316L stainless steel; Analysis of variance and regression; análisis de varianza y regresión; Artificial neural network; Artificial neural networks; Austenitic stainless steels; Computer Science, Artificial Intelligence; Cutting parameters; Cutting speed; Dry high; Engineering, Electrical & Electronic; Engineering, Mechanical; Factorial design; Mathematical models; Neural networks; redes neuronales artificiales; Regression analysis; Reliability analysis; rugosidad superficial; speed turning; Surface roughness; torneado de alta velocidad; Turning (machining); redes neuronales artificiales; acero inoxidable AISI 316L; rugosidad superficial; Analysis of variance and regression; torneado de alta velocidad; Surface roughness; Artificial neural network; análisis de varianza y regresión; Dry high-speed turning; AISI 316L stainless steel
• ISSN: 1390-650X; 1390-860X; 1390-860X
• DOI: 10.17163/ings.n19.2018.08

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.