Estimación del consumo específico de energía en el torneado de alta velocidad del acero AISI-1045 utilizando redes neuronales

• Autores: Dagnier Antonio Curra Sosa, Luís Wilfredo Hernández González, Julio Ernesto de la Rosa Melián, Patricia del Carmen Zambrano Robledo, Martha Patricia Guerrero Mata, Roberto Pérez Rodríguez
• Localización: Ingeniería Mecánica, ISSN-e 1815-5944, Vol. 23, Nº. 2, 2020
• Idioma: español
• Títulos paralelos:
  • Assessment of the specific energy consumption in high speed turning of AISI-1045 steel using neural networks
• Enlaces
  • Texto completo
• Resumen
  • español

    En el presente artículo se estimó el consumo específico de energía en el torneado de alta velocidad en seco del acero AISI 1045, utilizando redes neuronales. Se utilizaron varias arquitecturas de redes neuronales artificiales del tipo perceptrón multicapa, para establecer las relaciones entre los parámetros del régimen de corte y los índices tecnológicos de mecanizado. Se consideraron como magnitudes para la entrada de los modelos de redes neuronales, las siguientes: la velocidad de corte, la duración de la prueba, el tiempo de maquinado, el número de pasadas y la posición de la herramienta de corte sobre la probeta. El modelo de red neuronal seleccionado fue el mejor, según el error cuadrático medio y el coeficiente de regresión R2, reflejando una buena precisión en la aproximación. Los resultados evidenciaron un buen nivel de fiabilidad en la predicción del consumo específico de energía bajo diversas condiciones de mecanizado

  • English

    This article estimates the specific energy consumption in high-speed dry turning of AISI 1045 steel, using neural networks. Various artificial neural network architectures of the multilayer perceptron type were used to establish the relationships between the parameters of the cutting regime and the technological indices of machining. The following were considered as input values for the neural network models: the cutting speed, the test duration, the machining time, the number of passes and the position of the cutting tool on the specimen. The selected neural network model was the best, based on the mean square error and the regression coefficient R2, reflecting good precision in the approximation. The results showed a good level of reliability in predicting specific energy consumption under various machining conditions.