Los ensayos de desgaste según la norma ASTM G-65 son realizados para determinar la resistencia
al desgaste abrasivo de bajo esfuerzo de un material mediante su exposición al contacto con arena
seca. Estos ensayos permiten la evaluación de recargues duros o hardfacing con la finalidad de
encontrar los efectos de los elementos aleantes sobre la microestructura y la resistencia al
desgaste. Por su parte, el aprendizaje automático, conocido como Machine Learning, es una
técnica del campo de la inteligencia artificial que busca desarrollar modelos computacionales con
la capacidad de realizar tareas de clasificación y regresión.
La metodología utilizada para realizar el entrenamiento, y posterior evaluación de los modelos
obtenidos, consiste en la digitalización de los registros de ensayos de desgaste ejecutados por la
American Welding Society, el análisis del comportamiento de la pérdida de masa en función del
porcentaje de la concentración de los elementos presentes en el depósito del recargue duro y el
desarrollo de los siguientes algoritmos de modelos de aprendizaje automático: k-vecinos cercanos
(KNN), red neuronal artificial (ANN) y máquina de aprendizaje extremo (ELM). Posterior al
entrenamiento, se emplearon los modelos ya entrenados para calcular la pérdida de masa en
probetas previamente ensayadas en el Laboratorio de Materiales de la Pontificia Universidad
Católica del Perú (PUCP) y así evaluar la efectividad de los modelos en la sección de resultados.
Para los modelos entrenados se identificaron las variantes con mejor efectividad en la predicción
de pérdida de masa, las cuales fueron la red neuronal artificial de 3 capas entrenada en 1000
épocas, el modelo de k-vecinos cercanos con 6 vecinos y la máquina de aprendizaje extremo con
10,000 neuronas. Para la comparación con datos de ensayos realizado sen la PUCP se obtuvo un
error medio absoluto de 0.086 g para ANN, 0.726 g para KNN 0.853 g para ELM; en contraste
con los valores de 0.228 g, 0.321 g y 0.666 g obtenidos para los ensayos realizado por la AWS,
respectivamente. De entre los 3 modelos entrenados, se identifica que la red neuronal artificial
congrega la mayor cantidad de puntos cercanos a la igualdad entre el valor real de pérdida de
masa y la predicción calculada mediante el modelo.
Se concluye que la ANN puede predecir con éxito la pérdida de masa en función de la
composición química del depósito y su dureza, alcanzando una precisión del 85.75%. Por otro
lado, la ELM requiere elevados recursos computacionales para entrenarse por encima de las
500,000 neuronas, así como un análisis más profundo para evitar el sobreajuste del modelo a los
datos de entrenamiento. El algoritmo KNN no calcula exitosamente la masa perdida en un ensayo
de desgaste debido a que entrega valores de promedios locales para datos que no se estructuran
de forma ordenada. Finalmente, los resultados alcanzados brindan validez a la aplicación de
técnicas de aprendizaje automático para encontrar la pérdida de masa en ensayos de desgaste.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/24085 |
| Date | 24 January 2023 |
| Creators | Cabanillas Flores, Renato |
| Contributors | Sakihama Uehara, Jose Luis Hideki |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/bachelorThesis |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess, Atribución-CompartirIgual 2.5 Perú, http://creativecommons.org/licenses/by-sa/2.5/pe/ |
Page generated in 0.0019 seconds