3. Licenciatura
URI permanente para esta comunidadhttp://54.81.141.168/handle/123456789/7312
Explorar
3 resultados
Resultados de búsqueda
Ítem Texto completo enlazado Desarrollo de modelo predictivo de desgaste basado en datos de ensayos según ASTM G-65 utilizando algoritmos de Machine Learning(Pontificia Universidad Católica del Perú, 2023-01-24) Cabanillas Flores, Renato; Sakihama Uehara, Jose Luis HidekiLos 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.Ítem Texto completo enlazado Resistencia al desgaste abrasivo de recargues duros fabricados con electrodos con 5% de FeTi y contenido variable de FeV(Pontificia Universidad Católica del Perú, 2013-11-14) Noriega Ríos, Ainsworth; Rumiche Zapata, Francisco Aurelio; Sakihama Uehara, José Luis HidekiSe define al desgaste como la pérdida progresiva de material sólido de la superficie de un determinado componente, el desgaste en operación es uno de los problemas que originan mayores pérdidas económicas; esto ha conllevado a que diferentes rubros de la industria busquen opciones viables y de bajo costo en el mantenimiento de componentes mecánicos. Uno de los métodos más utilizados para mitigar los efectos del desgaste es mediante la aplicación de recubrimientos duros de soldadura denominado “HARDFACING”; sin embargo, se necesitan ciertos insumos como el Ferro-Titanio, Ferro-Vanadio, Grafito, entre otros para generar microestructuras duras y resistentes al desgaste. Estos insumos utilizados en la fabricación de electrodos de recargue evidencian un incremento en su costo lo cual conllevaría al encarecimiento de este método de protección. En el presente tema de tesis, se ha evaluado el desempeño de depósitos de hardfacing fabricados empleando un conjunto de nuevos electrodos propuestos por una compañía de consumibles local. En particular se busca evaluar el efecto del contenido de Ferro- Vanadio (2.85%, 3.85% y 5.85%) en el revestimiento de electrodos con un porcentaje de 5% de Ferro-Titanio y libres de grafito, sobre la microestructura, dureza y resistencia al desgaste abrasivo de depósitos obtenidos mediante proceso SMAW sobre planchas de acero ASTM A-36, finalmente se determinó cuál de los electrodos proporciona un recargue con mayor resistencia al desgaste.Ítem Texto completo enlazado Influencia del contenido de Vanadio en la resistencia al desgaste de recubrimientos duros con 5% de Ferro-Titanio(Pontificia Universidad Católica del Perú, 2013-10-31) Taipe Porras, Luiggi Giancarlo; Rumiche Zapata, Francisco Aurelio; Sakihama Uehara, José Luis HidekiEl desgaste abrasivo es un serio problema que afecta a diversas industrias a nivel mundial. En países que tienen una industria altamente desarrollada como Estados Unidos, Alemania, Japón o China, las pérdidas debido a este tipo de desgaste bordean los miles de millones de dólares anuales. Debido a las exorbitantes cifras de dinero que se pierden año tras año existe la necesidad de realizar investigaciones que minimicen los efectos del desgaste. Debido a este gran problema para la industria, diferentes investigadores vienen desarrollando estudios para minimizar los efectos del desgaste. La Pontificia Universidad Católica del Perú en conjunto con la empresa Soldexa S.A. está desarrollando un proyecto de investigación que abarca el estudio de más de 15 nuevos electrodos para hardfacing con el objetivo de encontrar una formulación química óptima para el desarrollo masivo de un nuevo tipo de electrodo. La presente tesis abarca el estudio de 3 recubrimientos duros con 5% de ferrotitanio y una composición de ferrovanadio que varía entre 0 y 1.85%. Se realizaron ensayos de dureza, de desgaste abrasivo según ASTM G-65, y de metalografía para cada uno de los tres recubrimientos en estudio. Se obtuvieron resultados favorables pues con bajas concentraciones de ferrovanadio, la resistencia al desgaste y la dureza obtenida en los recargues es muy similar a la que obtuvieron otros investigadores con altas concentraciones de ferrovanadio. Asimismo, las microestructura para todos los casos fue la de una matriz de austenita retenida con colonias de martensita, lo que evidencia una correlación con las propiedades mecánicas evaluadas.