Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva

Uno de los principales desafíos de la fabricación aditiva es la importante deformación de la pieza producida, lo cual induce diferencias significativas entre las dimensiones de diseño y la forma final de la pieza. La simulación por elementos finitos del proceso ayuda a reducir considerablemente el n...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Zingarelli, Carola
Formato:	Tesis acceptedVersion Tesis de grado
Lenguaje:	Español
Publicado:	Universidad Nacional de Mar del Plata. Facultad de Ingeniería. Argentina 2022
Materias:	Fabricación aditiva Machine learning Deformación de piezas Predecictor de la deformacion
Acceso en línea:	http://rinfi.fi.mdp.edu.ar/xmlui/handle/123456789/734
Aporte de:	RINFI - Facultad de Ingeniería (UNMdP) de Universidad Nacional de Mar del Plata (UNMdP)

id	I29-R182-123456789-734
record_format	dspace
spelling	I29-R182-123456789-7342023-05-18T13:57:35Z Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva Zingarelli, Carola Fabricación aditiva Machine learning Deformación de piezas Predecictor de la deformacion Uno de los principales desafíos de la fabricación aditiva es la importante deformación de la pieza producida, lo cual induce diferencias significativas entre las dimensiones de diseño y la forma final de la pieza. La simulación por elementos finitos del proceso ayuda a reducir considerablemente el número de pruebas y errores necesario para obtener una pieza con dimensiones dentro de los límites de tolerancia. Sin embargo, este tipo de simulaciones complejas requieren tiempos de simulación importantes. Cambios en los parámetros de proceso o del material, que afecten el resultado de la simulación, inducen un aumento del tiempo necesario durante la fase de diseño del proceso. El uso de inteligencia artificial en el área de la fabricación aditiva permite construir modelos que rápidamente vinculen los parámetros de entrada con la forma final de la pieza fabricada, acelerando la definición de la correcta configuración del proceso. El objetivo de este trabajo es definir una metodología de machine learning para predecir la deformacion, vinculando dos softwares de la compañía Hexagon: Digimat-AM y ODYSSEE CAE, a través de un programa en lenguaje Python. Se desarrolló un modelo capaz de predecir la forma final del componente producido y el tiempo de enfriamiento de la cámara de impresión, para diferentes tipos de procesos de fabricación aditiva. Para lograrlo, se entrenaron modelos de orden reducido en ODYSSEE CAE, utilizando una base de datos conformada por simulaciones realizadas en Digimat-AM. Los tipos de proceso analizados son el de sinterización selectiva por láser y modelado por deposición fundida. ODYSSEE CAE cuenta con múltiples algoritmos para estudiar el problema planteado, abarcando los métodos de interpolación directa, modelos de órden reducido y clustering. Ofrece, además, la posibilidad de entrenar múltiples algoritmos y comparar la calidad de las predicciones sobre un conjunto de data de validación. También se entrenan modelos usando redes neuronales y redes neuronales bayesianas, por ser el tipo de algoritmo más utilizado en la bibliografía consultada sobre la aplicación de inteligencia artificial en el campo de la fabricación aditiva. Los resultados muestran que la aplicación de esta metodología permite obtener predicciones de buena precisión, requiriéndose solamente 5 sets de data de entrenamiento para lograr optimizar la deformación de la pieza variando parámetros de proceso y posición. Por otro lado, la data de entrenamiento debe estar conformada por al menos 60 simulaciones cuando se introduce la variación de la orientación de la pieza, ya que la relación subyacente entre su rotación y forma final es más compleja. El enfriamiento de la pieza impresa también es predecible con esta metodología. Los algoritmos de redes neuronales no presentaron mejoras significativas en cuanto a la calidad de los resultados. En términos de tiempo computacional, el uso de modelos de machine learning es ventajoso por sobre las simulaciones por elementos finitos en casos que requieran pequeños conjuntos de entrenamiento y, por lo tanto, un tiempo reducido para la generación de la base de datos. Mail de los autores Carola Zingarelli <carolazingarelli@gmail.com> Fil: Zingarelli, Carola. Universidad Nacional de Mar del Plata. Facultad de Ingeniería; Argentina 2022-12-16 Thesis info:eu-repo/semantics/acceptedVersion info:ar-repo/semantics/tesis de grado info:eu-repo/semantics/bachelorThesis application/pdf http://rinfi.fi.mdp.edu.ar/xmlui/handle/123456789/734 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by/4.0/ Universidad Nacional de Mar del Plata. Facultad de Ingeniería. Argentina
institution	Universidad Nacional de Mar del Plata (UNMdP)
institution_str	I-29
repository_str	R-182
collection	RINFI - Facultad de Ingeniería (UNMdP)
language	Español
topic	Fabricación aditiva Machine learning Deformación de piezas Predecictor de la deformacion
spellingShingle	Fabricación aditiva Machine learning Deformación de piezas Predecictor de la deformacion Zingarelli, Carola Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva
topic_facet	Fabricación aditiva Machine learning Deformación de piezas Predecictor de la deformacion
description	Uno de los principales desafíos de la fabricación aditiva es la importante deformación de la pieza producida, lo cual induce diferencias significativas entre las dimensiones de diseño y la forma final de la pieza. La simulación por elementos finitos del proceso ayuda a reducir considerablemente el número de pruebas y errores necesario para obtener una pieza con dimensiones dentro de los límites de tolerancia. Sin embargo, este tipo de simulaciones complejas requieren tiempos de simulación importantes. Cambios en los parámetros de proceso o del material, que afecten el resultado de la simulación, inducen un aumento del tiempo necesario durante la fase de diseño del proceso. El uso de inteligencia artificial en el área de la fabricación aditiva permite construir modelos que rápidamente vinculen los parámetros de entrada con la forma final de la pieza fabricada, acelerando la definición de la correcta configuración del proceso. El objetivo de este trabajo es definir una metodología de machine learning para predecir la deformacion, vinculando dos softwares de la compañía Hexagon: Digimat-AM y ODYSSEE CAE, a través de un programa en lenguaje Python. Se desarrolló un modelo capaz de predecir la forma final del componente producido y el tiempo de enfriamiento de la cámara de impresión, para diferentes tipos de procesos de fabricación aditiva. Para lograrlo, se entrenaron modelos de orden reducido en ODYSSEE CAE, utilizando una base de datos conformada por simulaciones realizadas en Digimat-AM. Los tipos de proceso analizados son el de sinterización selectiva por láser y modelado por deposición fundida. ODYSSEE CAE cuenta con múltiples algoritmos para estudiar el problema planteado, abarcando los métodos de interpolación directa, modelos de órden reducido y clustering. Ofrece, además, la posibilidad de entrenar múltiples algoritmos y comparar la calidad de las predicciones sobre un conjunto de data de validación. También se entrenan modelos usando redes neuronales y redes neuronales bayesianas, por ser el tipo de algoritmo más utilizado en la bibliografía consultada sobre la aplicación de inteligencia artificial en el campo de la fabricación aditiva. Los resultados muestran que la aplicación de esta metodología permite obtener predicciones de buena precisión, requiriéndose solamente 5 sets de data de entrenamiento para lograr optimizar la deformación de la pieza variando parámetros de proceso y posición. Por otro lado, la data de entrenamiento debe estar conformada por al menos 60 simulaciones cuando se introduce la variación de la orientación de la pieza, ya que la relación subyacente entre su rotación y forma final es más compleja. El enfriamiento de la pieza impresa también es predecible con esta metodología. Los algoritmos de redes neuronales no presentaron mejoras significativas en cuanto a la calidad de los resultados. En términos de tiempo computacional, el uso de modelos de machine learning es ventajoso por sobre las simulaciones por elementos finitos en casos que requieran pequeños conjuntos de entrenamiento y, por lo tanto, un tiempo reducido para la generación de la base de datos. Mail de los autores Carola Zingarelli <carolazingarelli@gmail.com>
format	Thesis acceptedVersion Tesis de grado Tesis de grado
author	Zingarelli, Carola
author_facet	Zingarelli, Carola
author_sort	Zingarelli, Carola
title	Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva
title_short	Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva
title_full	Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva
title_fullStr	Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva
title_full_unstemmed	Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva
title_sort	aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva
publisher	Universidad Nacional de Mar del Plata. Facultad de Ingeniería. Argentina
publishDate	2022
url	http://rinfi.fi.mdp.edu.ar/xmlui/handle/123456789/734
work_keys_str_mv	AT zingarellicarola aplicaciondeunametodologiademachinelearningparaoptimizarelprocesodefabricacionaditiva
_version_	1766818313356181504

Aplicación de una metodología de machine learning para optimizar el proceso de fabricación aditiva

Ejemplares similares