Determinación de la Eliminación de Material y el Desgaste del Electrodo en el Mecanizado por Descarga Eléctrica con...

Área de la Ciencia:

• Ingeniería de Manufactura
• Ciencia de Materiales
• Ciencia Computacional

Sus antecedentes:

• El mecanizado por descarga eléctrica (EDM) es crucial para la fabricación de piezas complejas a partir de materiales duros, pero la optimización de parámetros es desafiante y costosa.
• La naturaleza estocástica de EDM y la validación experimental costosa limitan la comprensión de la dinámica del proceso.
• El aprendizaje automático (ML) ofrece una solución rentable para la modelización predictiva en EDM.

Objetivo del estudio:

• Desarrollar un marco de ML generalizable para analizar las correlaciones de entrada-salida de EDM.
• Investigar el impacto del tratamiento criogénico del electrodo en el rendimiento de EDM.
• Comparar las capacidades predictivas de varios modelos de ML para parámetros de EDM.

Principales métodos:

• Se implementaron cuatro modelos de ML, incluyendo Random Forest (RF) y Redes Neuronales Artificiales (ANN).
• Se utilizaron variables independientes: material del electrodo, condiciones criogénicas (11 niveles), corriente de pulso y duración del pulso.
• Se evaluaron métricas de rendimiento: Tasa de Eliminación de Material (MRR) y Tasa de Desgaste del Electrodo (EWR).

Principales resultados:

• RF y ANN demostraron un rendimiento predictivo superior a otros modelos.
• ANN mejoró R2 para EWR de 0.973 a 0.9956; RF mejoró R2 para MRR de 0.980 a 0.9943.
• Se logró una alta precisión predictiva (R2: 0.9936–0.9979) y se redujeron significativamente los errores de predicción (por ejemplo, ANN redujo el MSE de EWR de 5.79 a 0.68).

Conclusiones:

• El marco de ML propuesto predice eficazmente el rendimiento de EDM con alta precisión.
• El tratamiento criogénico del electrodo, analizado a través de ML, ofrece información para optimizar los procesos de EDM.
• Los modelos RF y ANN proporcionan un enfoque confiable y menos experimental para comprender la dinámica de EDM.