Por favor, use este identificador para citar o enlazar este ítem:
http://ciateq.repositorioinstitucional.mx/jspui/handle/1020/518| Modelo estadístico de predicción de presión en el proceso de conformado | |
| EDMUNDO MONTES OLMEDO | |
| OSCAR HERNANDEZ URIBE VICTOR LOPEZ GARZA | |
| Acceso Abierto | |
| Atribución-NoComercial-CompartirIgual | |
| Conformado en frío Doblado Factor K Modelo estadístico Cold formed Folded K-factor Statistical model | |
| El proceso de conformado en frio, conocido como doblez, se basa en la deformación plástica del material. En el se utilizan máquinas prensas y dados de conformado para aplicar fuerza a los metales haciéndolos llegar a su región plástica y obtengan una forma deseada. En el proceso se presentan varios fenómenos, uno de los más conocidos es el “retroceso elástico”. El cual provoca un cambio de ángulo en la pieza después de retirar la presión ejercida sobre el metal, causando una desviación entre lo requerido y lo obtenido. En la última década los avances en modelos de aprendizaje estadístico (algoritmos de aprendizaje automático), permiten dar una solución a una gran cantidad de problemas. Por ejemplo, predecir cuándo un paciente hospitalizado por un ataque al corazón tendrá un segundo ataque, la predicción basada en su dieta alimenticia incluso, variables demográficas (ubicación, raza, tamaño de familia, nivel educativo, genero, ingresos). Esta tesis parte del desarrollo de un modelo de aprendizaje estadístico, en donde a partir de pruebas experimentales y la recolección de datos en campo se encuentra que es posible predecir la presión a aplicar en el metal a doblar. Se realizaron alrededor de 120 pruebas experimentales de conformado de placas de acero al carbón de 4.7mm a 4.9mm de espesor con partes de autobuses Dina, en una maquina semiautomática, analizando el espesor del material, longitud a plegar, dados utilizados, temperatura ambiente, humedad, grados especificados, grados obtenidos y la presión ejercida, desarrollando varios modelos de predicción de presión, analizando sus coeficientes para entender el impacto en la presión de salida que el modelo propone aplicar durante el proceso. Se considera que el numero de 75 experimentos es pequeño, a pesar de ello, los modelos de aprendizaje estadístico resultaron ser útiles en la mayor parte de los casos, dejando ver que con un mayor número de experimentos se puede ofrecer una solución potencial al “retroceso elástico”. The cold-forming process, known as bending, is one of the manufacturing processes without chip removal based on the plastic deformation of the material. For this, folding machines are used that exert pressure on the metal, transmitting the force through dies for forming, applying efforts until reaching its plastic region, and forcing them to take the desired shape. In this process, several phenomena are presented but one of the best known is the elastic recoil. It happens when the pressure exerted on the metal is removed, changing without control the shape of the piece, in the end, causing a deviation between what is required and what is obtained. In the last decade, advances in computer equipment and statistical learning models -machine learning algorithms- helps to solve a large number of industry problems. For example, predict when a patient hospitalized for a heart attack would have a second attack. The prediction might be based on their diet and clinical measurements of the patient, including demographic variables (location, race, family size, educational level, gender, income). This work developed a statistical learning model to predict the pressure needed to apply in the material to be formed. Several experimental tests on the field were realized for training, validation, and testing a model. Almost 120 experimental tests were carried out for shaping carbon steel sheets with thickness between 4.7 mm at 4.9 mm, using a semiautomatic piling machine. Data collected were the thickness of the material, the length of folding, the male used, the temperature, the humidity, the grades specified, the degrees obtained, and the pressure exerted. These experiments were based on parts of buses Dina, developing several models of pressure prediction, analysing its coefficients to understand the impact on the outlet pressure that the model proposes to apply during the process. It is worth pointing out that the statistical learning models were useful in most of the cases, even when the number of experiments was small (75), not getting a good size set for training, validation, and testing. | |
| CIATEQ, A.C. | |
| 2021 | |
| Tesis de maestría | |
| Español | |
| Público en general | |
| OTRAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Manufactura Avanzada |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| MontesOlmedoEdmundo MMANAV 2021.pdf | Tesis de maestría en texto completo | 2.3 MB | Adobe PDF | Visualizar/Abrir |