Modelos avanzados de aprendizaje automático para la predicción de las propiedades de las baldosas cerámicas durante...

Área de la Ciencia:

• Ciencias de los materiales
• Ingeniería cerámica
• Inteligencia artificial

Sus antecedentes:

• La producción de baldosas de cerámica se basa en el control preciso de las materias primas y las condiciones de cocción para lograr las propiedades deseadas.
• La absorción de agua (WA) y la resistencia a la flexión (BS) son indicadores de rendimiento críticos influenciados por complejas relaciones entre materiales y propiedades.
• Los métodos tradicionales luchan por capturar las intrincadas interacciones no lineales que rigen estas propiedades.

Objetivo del estudio:

• Desarrollar y evaluar modelos avanzados de aprendizaje automático (ML) para predecir las propiedades de las baldosas cerámicas (WA y BS).
• Identificar las materias primas y los parámetros de procesamiento clave que influyen en la AVA y la AVA.
• Aprovechar la IA explicable (XAI) para obtener información basada en datos sobre la formulación de cerámica y la optimización de procesos.

Principales métodos:

• Análisis de un conjunto de datos que incluye 312 muestras de cerámica con datos detallados de composición y procesamiento.
• Evaluación de cuatro modelos de ML conjuntos, con CatBoost seleccionado para una precisión predictiva superior.
• Utilizó las explicaciones aditivas de SHapley (SHAP) y los gráficos de dependencia parcial para la interpretabilidad del modelo.

Principales resultados:

• El modelo CatBoost logró un alto rendimiento predictivo para WA y BS.
• El contenido de minerales de arcilla (~ 40%) y la concentración de SiO2 (~ 30%) fueron los principales factores para el WA.
• La temperatura de cocción (~35%) y el contenido de Al2O3 (~25%) fueron los principales factores predictivos para el BS.
• Se han identificado los umbrales críticos para el contenido de SiO2 y las temperaturas de cocción óptimas para el BS.

Conclusiones:

• La IA explicable predice con eficacia las propiedades de la cerámica e identifica los factores críticos que influyen.
• Las ideas basadas en datos apoyan la optimización de procesos en tiempo real, la consistencia del producto y la eficiencia energética en la fabricación de cerámica.
• Los hallazgos se alinean con los principios cerámicos establecidos al tiempo que ofrecen una nueva guía de formulación.