Optimización y predicción del comportamiento tribológico de compuestos de politetrafluoroetileno rellenos utilizando Taguchi Deng y modelos de regresión de vectores de soporte híbridos

Scientific Reports volumen 12, Número de artículo: 10393 (2022) Citar este artículo

970 Accesos

3 citas

1 Altmetric

Detalles de métricas

Este estudio presenta la optimización y predicción del comportamiento tribológico de compuestos de politetrafluoroetileno (PTFE) rellenos utilizando Taguchi híbrido y modelos de regresión de vector de soporte (SVR). Para lograr la optimización, se empleó a Taguchi Deng considerando múltiples respuestas y parámetros de proceso relevantes para el comportamiento tribológico. El coeficiente de fricción (µ) y la tasa de desgaste específica (Ks) se midieron utilizando un tribómetro de pasador sobre disco. En este estudio, la carga, el tamaño de grano, la distancia y la velocidad fueron los parámetros del proceso. Se aplicó un arreglo ortogonal L27 para el diseño experimental de Taguchi. Se obtuvo un conjunto de parámetros óptimos utilizando el enfoque de Deng para respuestas múltiples de µ y KS. Se realizó un análisis de varianza para estudiar el efecto de los parámetros individuales en las respuestas múltiples. Para predecir µ y Ks, SVR se combinó con la optimización de Harris Hawks (HHO) y la optimización de partículas de enjambre (PSO) formando modelos SVR-HHO y SVR-PSO respectivamente. Se utilizaron cuatro métricas de evaluación de modelos para evaluar la precisión de predicción de los modelos. Los resultados de la validación revelaron una mejora en condiciones de prueba óptimas. Los modelos híbridos de SVR indicaron una precisión de predicción superior al modelo único de SVR. Además, SVR-HHO superó al modelo SVR-PSO. Se encontró que los modelos Taguchi Deng, SVR-PSO y SVR-HHO condujeron a la optimización y predicción con bajo costo y precisión superior.

Los compuestos de matriz de polímeros rellenos (PMC) que contienen rellenos continúan recibiendo una atención significativa de los académicos y las industrias debido a sus comportamientos mecánicos y tribológicos modificados que los polímeros vírgenes1. Los composites a base de polímeros mostraron una resistencia tribológica mejorada2. De los diferentes tipos de polímeros, el politetrafluoroetileno (PTFE) cargado con fibras de carbono o bronce es ampliamente utilizado debido a su alto comportamiento mecánico y bajo tribológico3. Se ha indicado que estos composites son adecuados en sectores donde los comportamientos tribológicos de piezas mecánicas como frenos y embragues son significativos4,5,6,7. En general, se ha aceptado que la resistencia tribológica de los materiales se puede mejorar agregando más contenido de relleno hasta cierto límite8,9 a los polímeros puros. El politetrafluoroetileno (PTFE) ha sido una de las matrices termoplásticas comúnmente utilizadas para condiciones de desgaste debido a su bajo coeficiente de fricción, facilidad de procesamiento, inercia química, baja densidad y bajo costo10,11.

El desgaste es uno de los problemas más comunes en las industrias que provocan la sustitución frecuente de piezas, especialmente la abrasión. Se ha estudiado experimentalmente el desgaste abrasivo de varios polímeros y polímeros cargados. La tasa de desgaste abrasivo de diferentes matrices fue estudiada por 12 y se encontró que diferentes polímeros exhibían una tasa de desgaste diferente. Se analizó la inclusión de fibra de vidrio y carbono en vinilo/éster. La combinación de vinilo reforzado/éster indicó una menor tasa de desgaste que el compuesto de vinilo/éster reforzado con fibra de vidrio y/o fibra de carbono13. Según lo informado por14, la carga aplicada se encontró como el parámetro de proceso más significativo; Se observó una tasa de desgaste reducida cuando se reforzó el rendimiento de UHMWPE con rellenos. De acuerdo con 15, se observó que la pérdida de masa y el µ aumentaron con el aumento de la velocidad y la disminución del tamaño de grano para los compuestos epoxi rellenos de nuez de betel.

Para estudiar las respuestas múltiples relacionadas con los comportamientos tribológicos de los compuestos, se han propuesto en la literatura varios métodos de toma de decisiones que incluyen el desarrollo de datos, la jerarquía analítica y el análisis relacional gris (GRA)16. De estos modelos, el GRA propuesto por Deng en 1989 es la metodología más utilizada, especialmente cuando la naturaleza de la información no es cierta y completa17. Dharmalingam, Subramanian y Kok combinaron el análisis relacional gris (GRA) con Taguchi para optimizar la propiedad tribológica abrasiva de los compuestos de metal híbrido de aluminio. El análisis de varianza (ANOVA) indicó que el tamaño del grano era el parámetro que más influía en la tasa de desgaste y se encontró que la carga tenía el mayor efecto en el coeficiente de fricción18. Sylajakumar et al.19 utilizaron el método Taguchi-GRA para estudiar el efecto de la carga, la velocidad y la distancia sobre el coeficiente de fricción y la tasa de desgaste del compuesto co-largo. ANOVA mostró que la velocidad afecta significativamente la propiedad de desgaste del compuesto co-continuo. Savaran y Thanigaivelan20 optimizaron la geometría del hoyuelo y el parámetro láser mediante el análisis de componentes principales (PCA) acoplado a GRA. ANOVA mostró que la potencia promedio contribuyó más mientras que la profundidad contribuyó menos a las medidas de rendimiento. Se ha aplicado un método Taguchi OA y GRA integrado para optimizar los parámetros de moldeo por inyección de nanocompuestos HDPE-TiO2 Pervez et al.21. El trabajo estableció como parámetros óptimos el contenido de TiO2 al 5%, la temperatura del cilindro de 225 °C, el tiempo de residencia de 30 min y el tiempo de espera de 20 s. Adediran et al. Propiedades mecánicas optimizadas de biocompuestos híbridos reforzados con propileno utilizando el modelo Taguchi. Se encontró que el collage de 4 % de PSS y 10 % de fibra de kenaf producía la combinación óptima para los biocompuestos híbridos22. Además de esto, el método de Taguchi hibridado con grado relacional gris también se ha empleado para la optimización de respuesta múltiple del mecanizado por descarga eléctrica de descarga de alambre23, el proceso de torneado24 y los parámetros de fresado25.

Debido a la no linealidad y la naturaleza compleja del comportamiento tribológico de los materiales, los métodos de computación blanda son cada vez más aceptados, incluida la máquina de vectores de soporte (SVM), el sistema de inferencia neurodifuso adaptativo (ANFIS) y la red neuronal artificial (ANN). La razón es que estos modelos son capaces de capturar la naturaleza compleja y no lineal de la relación entre los parámetros tribológicos y las respuestas en comparación con las técnicas matemáticas convencionales a costos de ejecución mucho más económicos. Se encuentran varias formas de desgaste, como desgaste por abrasión, adhesivo, rozamiento y fatiga. La tribología abrasiva para compuestos, instrumentos, revestimientos, implantes de cadera, fabricación de aviones y componentes de automóviles son de vital importancia, ya que determinan el rendimiento o la longevidad de las piezas. Esto en general se comprueba experimentalmente, como parámetros de proceso tales como características de los materiales, textura superficial, velocidad de deslizamiento y velocidad de deslizamiento. En el análisis de la tribología, se han construido muchos métodos de modelado matemático. Entre ellos se encuentran la cinética atómica y molecular, método de elementos finitos, modelado de síntomas, mecánica continua, reducción de dimensiones, análisis, sistema de elementos de frontera, modelos estocásticos26. Sin embargo, dado que los comportamientos tribológicos son complejos y no lineales, los modelos matemáticos son limitados.

Últimamente, el uso de modelos de inteligencia artificial (IA) se ha vuelto ampliamente aceptado en tribología. Jones et al. fue pionero en el uso de ANN para predecir datos de vida y comportamientos tribológicos. La predicción precisa de la propiedad tribológica por parte de ANN brinda una opción para los enfoques de prueba actuales, que consumen energía y costos. Desde entonces, el método se ha aplicado con éxito en la disciplina de la tribología que incluye desgaste de compuestos de polímeros reforzados27,28, coeficiente de fricción y propiedades mecánicas, respectivamente29,30, compensación de levitación magnética utilizando ANN basada en inferencia difusa31. ANFIS y ANN se compararon en la predicción de Ks PTFE y sus compuestos. Se encontró que ANN funcionó mejor que ANFIS32. La predicción del desgaste abrasivo de residuos industriales y compuestos de poliéster rellenos de vidrio se realizó utilizando ANN y un modelo de regresión lineal. Los resultados encontraron que ANN superó al modelo lineal33. SVM se ha empleado en la predicción de la evaluación del desgaste de herramientas34,35. También se han contrastado SVM, RBFF y ANN para predecir el diámetro de los materiales PCL/gelatina. Se informó que ANN lo hizo mejor que SVR y RBFF juntos36. Se utilizó la metodología de superficie de respuesta, ANN-HHO y el modelo en la predicción del desgaste abrasivo del acero martensítico de ultra alta resistencia. Se informó que ANN-HHO hibridado mostró un mejor rendimiento que el modelo ANN único37.

Una encuesta de la literatura reportada en la base de datos Scopus arrojó los resultados de que había 450 artículos revisados por pares a partir de 1989 hasta la fecha adoptados sobre la literatura utilizando la factibilidad de amplio interés para el comportamiento tribológico abrasivo de compuestos basados en PTFE. La Figura 1b muestra la aparición de 388 palabras clave entre esos estudios, lo que indica el profundo interés y la implementación de este campo. Además, se investigó la popularidad de este tema de estudio en diferentes regiones del mundo, siendo China, Estados Unidos e India la mayor parte de los países productores. (Figura 1a). La motivación de este estudio demostró excelentes técnicas de IA para predecir el comportamiento tribológico abrasivo de compuestos de PTFE rellenos. En general, cada estudio ha progresado a un grado un poco más alto de precisión para las observaciones y la eficiencia a un nivel más profundo que el anterior. Según el leal saber y entender de los autores, ningún estudio publicado en una literatura técnica ha predicho el comportamiento tribológico abrasivo de los compuestos de PTFE rellenos empleando este enfoque utilizando una pequeña cantidad de datos. Como resultado, el objetivo de este trabajo es optimizar y predecir la variable de respuesta múltiple del coeficiente de fricción (µ) y la tasa de desgaste específica (Ks) del desgaste abrasivo de compuestos de PTFE reforzado utilizando Taguchi Deng y la novedosa regresión del vector de soporte híbrido (SVR). ) modelo.

(a) Principales palabras clave utilizadas en la literatura sobre la tribología abrasiva del campo de compuestos basados en PTFE (1989-2021), (b) la región de investigación investigada para el abrasivo.

Los resultados de los experimentos tribológicos para las diversas condiciones de prueba se muestran en la Tabla 1. Se observó que los comportamientos tribológicos de las muestras indicaron una tendencia ascendente y descendente con la variación de los parámetros. Cada ensayo se realizó dos veces y se utilizó el promedio para los cálculos. Las SNR más altas de µ y Ks ocurrieron en 20 y 12 ensayos, respectivamente. Estos dan la tasa tribológica mínima de los materiales compuestos de PTFE rellenos. A pesar de que no se calculó la temperatura, la temperatura aumentó a medida que aumentaba la distancia de deslizamiento. Los datos de la Tabla 1 se utilizaron para la calibración y validación de los modelos SVR, SVR-PSO y SVR-HHO.

Los resultados de µ y Ks se muestran en la Fig. 2a,b, respectivamente. Se observó que a medida que aumenta la carga disminuyen µ y Ks. El bajo µ a la carga máxima se debe a la formación de una tribocapa por parte de las fibras en el estado de interacción, así como a la temperatura y al comportamiento viscoelástico relacionado. Esta capa evitó que las muestras de pines estuvieran en contacto directo con la superficie abrasiva. Se encontró una observación similar en 38 cuando se estudió la tasa de desgaste y el coeficiente de fricción de la fibra de vidrio reforzada con plástico contra diferentes superficies de acero dulce y rugoso. En el trabajo, los resultados mostraron que µ y Ks disminuyeron a medida que la carga aumentaba de 10 a 15 N. A 6 N, µ era alto quizás debido al desgarro de la capa tribo de la fibra en la región de contacto. Este hallazgo fue contrario a los resultados obtenidos por 39 cuando se investigó el desgaste abrasivo del polipropileno reforzado con partículas de ceniza de huesos carbonizados. Se encontró que Ks aumentaba a medida que la carga aumentaba de 5 a 15 N. Ks era bajo con carga alta debido al gran aumento en el área de contacto aparente con cargas más altas, lo que lleva a un aumento en el área de contacto que permite que una gran cantidad de partículas se encuentren con la interfaz. y compartir el estrés. Esto, a su vez, redujo la tasa de desgaste.

Gráfica de efecto principal para la media (a) µ y (b) Ks de compuestos de PTFE rellenos.

Como se muestra en la Fig. 2b, el aumento en los tamaños de abrasivo disminuye tanto µ como Ks. Un µ alto en un tamaño de grano pequeño está relacionado con una gran rugosidad de las partículas de SiC que ofrecen una cantidad significativa de resistencia, mientras que un µ bajo se atribuye a la suavidad de las partículas de SiC que ofrecen poca resistencia a los materiales debido a la formación de una capa protectora en la superficie de contacto. La disminución de la tasa de desgaste debido al aumento del tamaño del abrasivo está relacionada con la obstrucción de la pista de desgaste con residuos de desgaste y la reducción de la eficiencia de corte de los abrasivos debido a la transferencia. Se informaron resultados similares en 40, donde se investigó el rendimiento de desgaste abrasivo de los elastómeros. En el estudio, se utilizaron diferentes tamaños de abrasivo de 82, 125, 269 y 425 µm como contracara a una velocidad constante de 0,01 m, una carga aplicada de 10 N pero una velocidad variable de 0,25, 0,5 y 1 m/min. Se observó que a medida que aumentaba el tamaño del abrasivo del SiC se reducía tanto el µ como el Ks.

La Figura 2a,b muestra la relación entre los parámetros y el µ y Ks, respectivamente. Como se observa en la figura, al aumentar la distancia de deslizamiento aumenta el µ mientras que se observa una disminución de Ks. Esto se explica sobre la base de que la distancia actuó como un lubricante para las superficies de fricción y, por lo tanto, separó las muestras de pasadores del frente opuesto. La reducción de Ks debida al aumento de la distancia de deslizamiento se atribuye a la extracción o fractura de los abrasivos como resultado de la presencia de fibras duras. Además, los desechos de desgaste se transfieren a la superficie de contacto desde el PTFE, lo que reduce la tasa de desgaste. Este resultado es validado por 41 en el que se estudió la propiedad de desgaste abrasivo de dos cuerpos del vidrio compuesto de epoxi de tejido de vidrio relleno de carburo de silicio. Como condiciones experimentales se utilizaron tamaños de grano de malla 600 y 1000 y distancias de deslizamiento de 25, 50, 75 y 100 m. Los resultados revelaron que Ks se redujo significativamente a medida que aumentaban las distancias de abrasión y el tamaño del grano. Se observó una reducción drástica de Ks a los 25–50 m.

A medida que aumenta la velocidad de deslizamiento, µ y Ks disminuyen y se notan µ y Ks altos a baja velocidad debido al aumento del tiempo de contacto de las muestras con la contracara (Fig. 2a,b). A medida que aumenta la velocidad de rotación y las muestras se oxidan, el La temperatura en las superficies en contacto cambia. Esto ayuda a la formación de un recubrimiento áspero y mezclado mecánicamente que se coloca sobre las piezas. Este recubrimiento es impermeable a la remoción y deprecia significativamente el µ y K. Cuando la superficie de la superficie de contacto se toca menos y la protección Se ha demostrado que la reducción de la tasa de desgaste depende de la producción de una capa dura adherente, uniforme y delgada en el frente opuesto cuando el polifenileno se refuerza con nanopartículas de CuO, SiC, TiO2 y ZnO para estudiar la influencia de estas partículas en la tasa de desgaste de los compuestos, se encontró que con la adición de estas partículas se formaba una tribocapa adherente y uniforme entre las muestras y la contracara, especialmente con 2% en peso de CuO y TiO242. Más aún, se observó en 43 cuando se introdujeron en el sulfuro de polifenileno la función de la deformación del relleno, la unión del relleno y la superficie de contacto de los rellenos inorgánicos Ag2S, CuS, ZnF2 y SnS. Los resultados indicaron que el desgaste mínimo alcanzado por Ag2S y CuO se debió a la formación de una película de transferencia delgada, adherente y uniforme formada en la superficie de contacto que impidió que las muestras entraran en contacto directo con la superficie, mientras que la alta tasa de desgaste de ZnF2 y SnS se atribuyó a espesor, tribocapa no uniforme entre la superficie de contacto y las muestras. Se hizo una observación similar en 44 cuando se agregaron partículas de SiC y grafito como relleno secundario al polímero epoxi para estudiar la influencia de la velocidad, la distancia y la carga en los compuestos epoxi. Se encontró que a medida que aumentaba la velocidad, las propiedades de desgaste de los compuestos epoxi reforzados disminuían los resultados. Resultados similares fueron reportados por 44 cuando se investigó la propiedad tribológica abrasiva de 3 cuerpos de compuestos de poliéster reforzado con fibra de vidrio. Se encontró que a medida que aumentaba la velocidad, la tasa de desgaste de los compuestos disminuía con una carga aplicada constante, así como con partículas de 200 y 300 6 µm.

En todos los análisis, se encontró que la adición de rellenos de bronce y carbono al PTFE mejoró la tasa tribológica del PTFE virgen. Esto podría atribuirse a la rigidez y dureza de los rellenos. Sin embargo, los compuestos BF40 mostraron una resistencia al desgaste ligeramente menor que los compuestos CF25. Esto se explica en base al mayor porcentaje en peso de las partículas de bronce que indujo más dureza y mayor tamaño alrededor de 6 µm.

Los datos experimentales en la Tabla 1 se transformaron en relaciones de señal a ruido (SNR) usando la ecuación. (4) y las SNR correspondientes se muestran en la Tabla 1. Las SNR más grandes indican la diferencia de variación mínima entre la respuesta deseada y la respuesta medida. El valor máximo de SNR en la gráfica de efecto principal para SNR da los resultados deseados. La Figura 3a,b muestra las SNR medias de µ y Ks, respectivamente. La Tabla 2a,b presenta las SNR medias calculadas para µ y Ks, respectivamente. Como se ve en la Fig. 3a, la SNR media máxima lograda para µ fue carga de 9 N, tamaño de grano de malla 1000, distancia de deslizamiento de 25 m y velocidad de deslizamiento de 0,14 ms−1. Por lo tanto, los parámetros óptimos estimados para lograr un µ mínimo a través de la optimización de Taguchi se pueden codificar como L3G1SD1SS3. Para los Ks (Tabla 2b; Fig. 3b), la SNR media más alta obtenida para Ks fue la carga de 9 N, el tamaño de grano de malla 1000, la distancia de deslizamiento de 55 m y la velocidad de deslizamiento de 0,04 ms−1. Por lo tanto, según el método de Taguchi, los parámetros óptimos predichos se denominan L3G1SD3SS1. ANOVA representa la configuración paramétrica que influye significativamente en los comportamientos abrasivos. De manera similar, el factor paramétrico importante que afecta significativamente a µ se encontró como el tamaño de grano seguido de la carga, la distancia y la velocidad 3(a). La contribución porcentual del tamaño de grano, la carga, la distancia y la velocidad se calculó como 37,24 %, 33,92 %, 17,62 % y 11,20 % (Tabla 3a). La Tabla 2b muestra la contribución porcentual de los parámetros sobre Ks. Como se ve, el tamaño del grano contribuyó con el 51,06 %, la carga contribuyó con el 24,65 %, la distancia contribuyó con el 22,57 % y la velocidad contribuyó con el 1,72 %, lo que implica que el tamaño del grano influye más significativamente en las K seguidas por la carga, la distancia y la velocidad, respectivamente.

Gráfica de efecto principal para SNR de (a) µ y (b) Ks.

Como se vio anteriormente, Taguchi solo puede optimizar un parámetro a la vez y, por lo tanto, implica más costo, tiempo y esfuerzo. Por lo tanto, Deng ampliamente llamado análisis relacional gris (GRA) se utiliza principalmente para optimizar múltiples parámetros mediante la combinación de todas las salidas en una salida. Deng se utiliza para desentrañar problemas reales compuestos por una cantidad limitada de datos. Se emplea comúnmente para aproximar las propiedades de sistemas indefinidos que no tienen solución en blanco y negro. Con respecto al sistema gris, el negro significa sin información, mientras que el blanco connota con información. Esta técnica se utiliza ampliamente para maximizar o minimizar problemas que tienen que ver con varios factores y respuestas. El preprocesamiento de datos a través de GRA se ejecutó en los datos de prueba de las respuestas en la Tabla 1, es decir, µ y Ks. La Tabla 3 muestra la secuencia de referencia obtenida por normalización (Ec. 5). A su debido tiempo, la secuencia de desviación se calculó siguiendo la ecuación. (6) (Cuadro 3). El coeficiente de relación de Gray (GRC) y el grado de relación de Gray (GRG) de µ así como Ks se determinaron utilizando las Ecs. (6) y (7), respectivamente. Posteriormente, se calcula la media de GRCs para establecer el GRG. Se emplearon valores calculados de GRG para producir SNR equivalentes. Una magnitud mayor de SNR es útil aludiendo a que las pruebas se encuentran en la proximidad de la magnitud normalizada real de GRG. La Figura 4 representa el gráfico de GRG frente a SNR. Indica que el ensayo 21 posee la SNR más alta. En consecuencia, el primer rango fue designado para el ensayo 21. La disposición rezagada del GRG, debajo del gráfico de SNR en la Fig. 4, también se suma a la explicación antes mencionada. Una vez determinados los rangos (Tabla 5), se ideó la tabla de respuesta GRG. Se eligió el factor individual de GRG en el nivel preferido y se calculó el promedio para obtener el GRG medio para parámetros separados. La tabla de respuesta media para el GRG se presenta en la Tabla 6.

Gráfico de GRG frente a SNR.

Por ejemplo, la variable G en el nivel 1 en la primera, cuarta y séptima ejecución de la prueba. Los valores de GRG concomitantes en la Tabla 5 se usaron para el cálculo usando la ecuación. (8). La media de los GRG elegidos se calculó mediante el método mencionado anteriormente para generar la tabla de respuesta media (Tabla 4). Las calificaciones en la tabla de respuestas se utilizan como un grado de correlación45. Por lo tanto, a partir de la Tabla 4, es posible lograr una combinación de parámetros óptimos que maximicen la respuesta general. Como se observa en la Tabla 5, el GRG máximo existe en L3, G1, SD3 y SS3. Por lo tanto, para resumir, la mejor configuración de parámetros para comportamientos tribológicos abrasivos útiles de compuestos de PTFE rellenos son carga a 9 N, tamaño de grano a malla 1000, distancia a 55 m y velocidad de deslizamiento a 0,14 ms−1 codificado como L3G1D3S3. ANOVA para GRG muestra que el tamaño de grano con 68,57 % se ubica como el más influyente seguido de la carga con 20,57 %, seguido de la distancia con una contribución de 7,78 % y finalmente la velocidad con la menor contribución de 3,38 % para la mínima pérdida tribológica. Ramesh y Suresha utilizaron el modelo Taguchi Deng para optimizar el modo de desgaste abrasivo del compuesto epoxi reforzado con tejido de carbono relleno con Al2O3 y MoS2 como relleno. Informaron que se encontró que los parámetros óptimos para la tasa mínima de desgaste eran la carga en el nivel 3 (15 N), el tamaño de grano en el nivel 3 (320), el contenido de relleno en el nivel 3 (10% en peso) y la distancia de deslizamiento en el nivel 3 (30 m). ). ANOVA reveló que el contenido de relleno con 52.08% fue el factor más significativo que afectó el modo de desgaste de los compuestos46.

Una vez determinados los parámetros óptimos, la fase final en Taguchi-Deng es la predicción y la validación de la mejora del rendimiento de las respuestas duales. El GRG predicho se calculó según la ecuación. (7). Se ejecutaron experimentos de validación para validar los resultados del análisis. Los resultados validados mostraron que µ y Ks mínimos eran 2,0 × 10–1 y 1,5353 × 10–6 mm3 N−1 m−1, respectivamente. Más aún, se puede deducir de la Tabla 6 que los hallazgos de la fase de validación son consistentes con los valores calculados. Además, se logró una mejora del 55% en GRG (Tabla 6). Esta mejora del rendimiento en los resultados obtenidos a través de los experimentos sobre el parámetro de diseño inicial confirma la validez del método Taguchi-Deng para estudiar los comportamientos tribológicos abrasivos de compuestos de PTFE cargados. 47 informó una mejora del 8,4% en GRG cuando se utilizó el mismo método para optimizar los parámetros de desgaste de los compuestos de matriz AA6063 reforzados con nitruro de silicio.

Uno de los objetivos de este trabajo es construir modelos SVR híbridos, a saber, modelos SVR-PSO y SVR-HHO, y comparar su eficiencia en la predicción de comportamientos tribológicos de compuestos de PTFE rellenos. Para este objetivo, los comportamientos tribológicos (µ y Ks) se obtuvieron a través de los resultados experimentales de la Tabla 1. La predicción de los comportamientos tribológicos por métodos tradicionales consume tiempo y energía debido a la no linealidad entre los tribológicos independientes y dependientes de los compuestos poliméricos rellenos, lo que conduce a la inexactitud. Estos problemas pueden abordarse mediante modelos no lineales. Posteriormente, en esta sección se detallan los resultados obtenidos en forma visualizada y gráfica. Antes de las simulaciones de los modelos, los datos se normalizaron utilizando la ecuación. (dieciséis). La normalización de datos no permite que los valores más grandes opaquen los valores más bajos, cuida las unidades y mejora la eficiencia de los modelos.

El proceso de simulación se realizó en MATLAB 9.3 (R2020 (a)). La estructura optimizada del modelo SVR se eligió mediante un enfoque de prueba y error. Un modelo eficiente es aquel que disipa los requisitos previos de las métricas de evaluación del modelo. La eficiencia de predicción de los modelos se evaluó utilizando dos métricas de bondad de ajuste (R2, R) y dos de error de predicción (RMSE, MAPE) en los regímenes de entrenamiento y prueba. Los resultados simulados de los modelos de SVR individuales para la predicción de µ y Ks se presentan cuantitativamente en la Tabla 7. En la Tabla 7, se puede ver que los modelos de SVR individuales lograron varias adecuaciones de acuerdo con las métricas de evaluación estadística. Más aún, SVRµ muestra mejores resultados en términos de bondad de ajuste tanto en las etapas de prueba como de entrenamiento en comparación con el modelo SVRK. Sin embargo, con respecto a los errores de predicción, los SVRK con RMSE 5 × 10–6 y MAPE 29 % demostraron ser un modelo relativamente adecuado para predecir los comportamientos tribológicos de compuestos de PTFE rellenos que SVRµ, cuya precisión es extremadamente pobre (61 %). Para tener un mapa gráfico de los modelos SVR para los comportamientos tribológicos, se utiliza un diagrama de dispersión. Un gráfico de dispersión proporciona el grado de concordancia entre los valores medidos y calculados para la bondad de ajuste general. La Figura 5a,b muestra el diagrama de dispersión de los datos completos para los modelos SVRµ y SVRKs, respectivamente. A partir de los diagramas de dispersión, es interesante notar aquí que el modelo SVRK indicó una mejor aptitud en comparación con SVRK cuando se juntaron todos los puntos de datos.

Gráfico de dispersión de (a) modelo SVRµ; (b) Modelo SVRKs para todos los datos.µ

Sin embargo, la precisión de predicción general de los modelos SVR individuales fue inadecuada, especialmente para el modelo SVRµ. La precisión se puede mejorar utilizando enfoques de optimización, a saber, PSO y HHO. Fundamentalmente, se debe considerar que la precisión de predicción prometedora se produjo en el curso del estado de entrenamiento que se usa originalmente para medir con precisión el modelo basado en entradas y salidas conocidas. Sin embargo, la etapa de verificación es importante para evaluar la eficiencia de predicción de los modelos, ya que inspecciona de cerca la precisión de predicción de los modelos en función de magnitudes desconocidas. Esta ventaja no la disfruta la fase de entrenamiento. En consecuencia, un modelo robusto debe poseer un rendimiento determinado y equilibrado tanto en los regímenes de entrenamiento como de prueba. En general, los modelos hibridados mostraron una capacidad prometedora en comparación con los modelos no hibridados. Para mantener la coherencia, se utilizan las mismas métricas de evaluación del modelo para evaluar la precisión de la predicción de los modelos híbridos. La Tabla 9 muestra los resultados de los modelos híbridos tanto en régimen de calibración como de validación. A pesar de que es difícil clasificar los modelos según los criterios de evaluación del modelo, el modelo SVR-HHO indicó una mayor precisión de predicción en ambas condiciones. De la Tabla 8, se observó que SVR-HHOµs indicó R2 > 90 % R = 95 %, 99,26 %, RMSE > 5 % y MAPE de 5 % = De manera similar, SVR-HHOKs R2 > 95 %, R > 97 %, RMSE < 1% así como MAPE = 3%. Esto implica que el modelo SVR-HHO funcionó mejor que el modelo SVR-PSO para la predicción de los comportamientos tribológicos de los compuestos de PTFE rellenos. La superioridad predictiva del HHO frente a otros está en concordancia con los resultados obtenidos por48. Las Figuras 6 y 7 presentan el diagrama de dispersión de los modelos híbridos SVR. Se logró una estrecha coherencia entre los puntos medidos y calculados para el modelo SVR-HHO en comparación con el modelo SVR-PSO. Más aún, los valores R de los modelos híbridos se encuentran entre 85 y 99%. Esto concuerda con las conclusiones extraídas por 49,50,51 de que los valores de R superiores al 70% se consideran aceptables. Por lo tanto, todos los modelos híbridos optimizados son aceptables (Tabla 8).

Diagrama de dispersión para (a) SVR-PSOµ y (b) SVR-HHOKs modela todos los conjuntos de datos.

Gráfico de dispersión para (a) modelos SVR-PSOµ y (b) SVR-HHOKs para todos los conjuntos de datos.

Zheng et al. usó SVR junto con PSO guiado para predecir la tasa de desgaste del motor aeronáutico. Los resultados indicaron una mejor precisión de predicción en comparación con el SVR52 único. En un desarrollo relacionado, Kahhal et al. optimizó y predijo los parámetros del proceso de soldadura por fricción y agitación de AH12 1050 utilizando un algoritmo de superficie de respuesta junto con el modelo PSO. Se informó que el modelo híbrido indicó una precisión de predicción superior53. La eficiencia de predicción de HHO junto con la red neuronal generalizada se informó en la literatura54 para predecir la resistencia a la abrasión del acero martensítico de ultra resistencia. Los resultados mostraron que los valores observados y calculados de la propiedad de desgaste se encuentran dentro del rango de incertidumbre de 3–4%. De manera diferente, Sammen et al. red neuronal artificial híbrida (ANN) con PSO, HHO y algoritmo genético (GA) para predecir la profundidad de socavación aguas abajo del aliviadero de salto de esquí. Se observó que, de todos los modelos híbridos, el modelo ANN-HHO tiene una precisión de predicción superior con un error absoluto medio de 0,1760 y un error cuadrático medio de 0,253854. Los hallazgos en esta literatura reforzaron los resultados de este estudio de que los modelos híbridos podrían aumentar la efectividad de los modelos únicos.

El modelo SVR y sus híbridos, a saber, los modelos SVR-PSO y SVR-HHO, se comparan a través del gráfico 2D de Taylor, como se muestra en las Figs. 8 y 9, respectivamente. Como se ve en la gráfica de Taylor, el modelo SVR-HHO indicó una mejor aptitud en ambos casos con valores de 97% y 99% para µ y Ks, respectivamente en el régimen de calibración. Por lo tanto, se puede concluir que los modelos SVR, SVR-PSO y SVR-HHO pueden comprender y seguir la correlación compleja y no lineal entre los parámetros de entrada tribológicos y los parámetros de respuesta de los compuestos de PTFE rellenos en condiciones abrasivas. Se puede realizar un análisis adicional usando un gráfico de radar para la predicción de µ y Ks como se muestra en la Fig. 10. También se puede ver que SVR-HHOµ > SVR-PSOµ > SVRµ y SVR-HHOKs > SVR-PSOKs > SVRKs . Esto implica que, en ambos casos, el modelo SVR-HHO fue capaz de capturar la mejor tendencia de ajuste de los comportamientos tribológicos de los compuestos de PTFE rellenos.

Diagrama de Taylor para modelos µ en (a) etapa de calibración y (b) etapas de verificación.

Diagrama de Taylor para modelos Ks en (a) calibración y (b) verificación de los modelos.

Gráfico de radar para (a) µ y (b) Ks en regímenes de calibración y verificación.

A pesar de la disponibilidad de una gran cantidad de modelos predictivos, no existe un modelo en particular que pueda garantizar un rendimiento óptimo constante al abordar diversos tipos de problemas. Sin embargo, las últimas investigaciones sobre modelos únicos de paradigma de optimización inspirados en la naturaleza (HHO) y basados en la población indicaron una mayor idoneidad para establecer soluciones óptimas para problemas de objetivos múltiples. Los resultados del análisis estadístico y las comparaciones revelaron que el modelo SVR-HHO produce resultados prometedores y, a menudo, competitivos que los modelos bien establecidos.

La regresión multilineal MLR se ha utilizado ampliamente como enfoque convencional para predecir el comportamiento tribológico de los materiales. Ikpambese y Lawrence utilizaron MLR y una red neuronal artificial (ANN) para predecir la fricción y la tasa tribológica del epoxi de palmiste reforzado para la aplicación de pastillas de freno. La precisión de la predicción en términos de RMSE para los modelos MLR y ANN resultó ser de 0,0082 y 0,00450, respectivamente55. Estos valores son menos efectivos en comparación con RMSE de 0,000001 para SVR-PSO y SVR-HHO en este artículo. Del mismo modo, Altay et al. usó LR, SVM y regresión de procesos gaussianos para predecir la tasa de desgaste del revestimiento de ferroaleaciones56. Informaron RMSE y R2 para LR, SVM y GPR como 0.86, 0.69, 0.69 y 0.93, 0.96 y 0.96, respectivamente, que fueron más altos que el RMSE informado y R2 de este artículo fue más alto que como se muestra en la Tabla 8. Con esto puede Cabe decir que los modelos propuestos en este estudio son más efectivos que los modelos convencionales en la predicción de la tasa de desgaste de los materiales.

El uso de los modelos propuestos en la comunidad científica y la industria para la optimización y predicción de materiales compuestos generará muchos beneficios. Entre estos beneficios se encuentran aspectos significativos como la minimización de costos, la reducción del esfuerzo humano, la prevención de la pérdida de tiempo durante los experimentos. Se espera que los modelos desarrollados se apliquen específicamente en el diseño y/o modificación y desarrollo de materiales existentes/nuevos para aplicaciones tribológicas en maquinaria agrícola, industria de laminación e industria minera, como trituración y molienda.

En este estudio, se presentó la optimización de respuesta múltiple y la predicción de las funciones objetivas del coeficiente de fricción (µ) y la tasa de desgaste específica (Ks) del comportamiento tribológico de compuestos de politetrafluoroetileno (PTFE) rellenos utilizando Taguchi Deng y dos modelos híbridos SVR (SVR- PSO y SVR-HHO). Más aún, se estudió el efecto de la carga, el tamaño del grano, la distancia y la velocidad en las dos respuestas. Se encontró que a medida que la carga, el tamaño del grano y la velocidad aumentaban, µ y Ks disminuían. Sin embargo, el aumento de la distancia condujo a un aumento de µ y una disminución de Ks. Según la optimización de Taguchi Deng, se encontró que los niveles óptimos de los parámetros eran la carga en el nivel 3 (9 N), el tamaño de grano en el nivel 1 (1000 mesh), la distancia en el nivel 3 (55 m) y la velocidad en el nivel 3 (0,14 ms). −1) codificado como L3G1SD3SS3. ANOVA para GRG indicó que el tamaño de grano con 68,57 % fue el parámetro más influyente, seguido de la carga con 20,57 %, seguido de la distancia con 7,78 % y luego la velocidad con la menor influencia de 3,38 % que afecta los comportamientos tribológicos de los compuestos de PTFE cargados. La prueba de validación reveló que hubo una mejora del 55 % en GRG de 0,4335 (L1G3SD3SS1) para la configuración de diseño inicial a 0,9589 para los niveles optimizados (L3G1SD3SS3). Para la precisión de predicción de los modelos, se encontró que los SVRK superaron al modelo SVRµ. En cuanto a los modelos híbridos, hubo un aumento en la efectividad de la predicción tanto para SVR-PSO como para SVR-HHO sobre SVR. Aunque los modelos SVR-HHO y SVR-PSO pudieron predecir con precisión µ y Ks, el modelo SVR-HHO exhibió el error de predicción más bajo de 4.06% en promedio en comparación con el modelo SVR-PSO cuya precisión de predicción resultó ser 10,57% en promedio. La integración de Taguchi con el enfoque de Deng y SVR con PSO y HHO resultó en la optimización y predicción del comportamiento tribológico de compuestos de PTFE reforzado con bajo costo experimental y precisión superior.

Los materiales utilizados en este trabajo son politetrafluoroetileno (PTFE), compuestos rellenos de carbono (CF25) y compuestos rellenos de bronce (BF40) debido a su disponibilidad y aplicaciones más amplias. El experimento tribológico abrasivo se llevó a cabo de acuerdo con la norma ASTM G99 utilizando un tribómetro pin-on-disc (Modelo: Arton Paar, Fabricado en Suiza) que se muestra en la Fig. 11. El material de la superficie de contacto para la prueba de desgaste es un acero de disco de 140 mm de diámetro y de 10 mm de espesor que ha sido tratado térmicamente para obtener una dureza superficial de 55–60 RC. Esto se conecta a tierra con un acabado superficial de casi 0,12 µm de promedio en la línea central. Las muestras de una dimensión de 20 mm de largo, 10 mm de ancho y 6 mm de profundidad se cortaron de placas rectangulares moldeadas por compresión cuyas dimensiones son (500 × 500 × 6) mm utilizando el mecanizado por chorro de agua de control numérico por computadora para el experimento abrasivo pin-on-disc. Se diseñó y fabricó un accesorio especialmente diseñado para sostener las muestras cuadradas. Las muestras se insertaron en el accesorio, se atornillaron y luego se cargaron contra papeles abrasivos de carburo de silicio (SiC) pegados al soporte de acero endurecido por medio de adhesivo líquido. Los parámetros de control y sus niveles se muestran en la Tabla 9. El diseño experimental es como se muestra en la Tabla 10. En todos los experimentos, la masa antes (m1) y la masa después (m2) se midió utilizando una balanza de pesaje digital (Modelo: PS 1000.RS RADWAG, fabricado en Polonia) con una precisión de 10 a 3 g. La prueba se realizó a temperatura ambiente (29 °C y humedad relativa del 55%). Las muestras se limpiaron con un cepillo antes y después del experimento para eliminar los residuos y luego se pesaron. La pérdida de peso del pasador (WL), volumen (VL) y desprendimiento de desgaste específico (Ks) se determinó a través de las ecuaciones matemáticas. (1), (2) y (3), respectivamente.

donde \({\mathrm{W}}_{\mathrm{L}}\)= pérdida de peso (g), \({\mathrm{V}}_{\mathrm{L}}\) = pérdida de volumen ( mm3) \({m}_{b}\)= masa antes de la prueba (g), \({m}_{a}\)= masa después de la prueba (g), \(\uprho\) = (g cm −3) de materiales, L = carga en N y D = distancia de deslizamiento (m). Cada prueba se realizó dos veces y se promedió.

Tribómetro Arton Paar utilizado para el experimento.

La optimización de un solo parámetro y la contribución porcentual de cada parámetro se pueden realizar utilizando la matriz ortogonal (OA) Taguchi L27 (34). Taguchi es un proceso de optimización para establecer el mejor parámetro de proceso. En este estudio se consideran cuatro parámetros con tres niveles (34) para la configuración de la prueba. Se han realizado veintisiete ensayos basados en Taguchi L27 (34) OA como se muestra en la Tabla 10. El método Taguchi fue elegido en este estudio debido a su simplicidad de análisis, reducción sustancial en el costo del experimento y validez en una amplia región abarcada por los factores de control y sus ajustes. Las relaciones señal/ruido (SNR) se utilizan para establecer los parámetros óptimos. Existen tres tipos de función de pérdida de calidad para las SNR, a saber: nominal, mejor; más alto es mejor; más bajo mejor. Por lo tanto, cuanto más bajo, mejor se utilizó la función para obtener los parámetros óptimos de tasa de desgaste en este estudio. Las SNR para µ y Ks se calcularon utilizando la ecuación. (4) para todos los 27 ensayos de acuerdo con Taguchi \({L}_{27}\)(34) OA.

donde n = número de experimentos y \({\mathrm{y}}_{i}\) = valor experimental.

La optimización de Taguchi solo es capaz de optimizar una única respuesta. Sin embargo, cuando se trata de dos o más respuestas de características distintas, la técnica de Taguchi es limitada. Por lo tanto, un método de optimización llamado Deng conocido popularmente como análisis relacional gris (GRA) se convierte en una panacea. Este enfoque es capaz de abordar la limitación impuesta por el enfoque de Taguchi al integrar múltiples respuestas en una sola respuesta cuya combinación de parámetros óptimos representa las diversas respuestas, minimizando así el costo y el tiempo invertidos al usar el método de optimización de Taguchi. Se utilizó Taguchi L27 (43) OA con Deng para obtener los niveles óptimos de parámetros tribológicos. La normalización de datos se clasifica como más pequeña o más grande, mejor. Sean la secuencia real y las secuencias de comparación \({X}_{i}^{*}\left(k\right)\) y \({\varphi }_{i}\left(k\right)\ ), respectivamente. \(\mathrm{i}\) = 1, 2, 3….; m = 1, 2, 3... y n y m representan el número total de experimentos y valores experimentales, respectivamente. El preprocesamiento de datos se utiliza para transformar la secuencia real en una secuencia idéntica. Se pueden utilizar muchas técnicas de preprocesamiento de datos en el método Taguchi-Deng, según las características de la secuencia real. Generalmente, la serie se normaliza entre 0 y 120. Para este estudio, el valor objetivo es "cuanto más pequeño, mejor". En consecuencia, la secuencia real se procesa previamente a través de la ecuación. (5).

donde \({X}_{i}^{*}\left(k\right)\) = normalizado para el i-ésimo experimento y \({\varphi }_{i}\left(k\right)\) = secuencia inicial de las respuestas promedio. Después de la normalización de los datos, la siguiente fase es el cálculo de la secuencia de desviación de los datos normalizados usando la ecuación. (6).

donde \({\Delta }_{oi}\left(k\right)\) = desviación, \({X}_{0}^{*}\left(k\right)\) = datos normalizados y \ ({X}_{i}^{*}\left(k\right)\) = secuencia de comparabilidad. El coeficiente relacional de Gray (GRC) se estima por lo tanto a través de la ecuación. (7).

donde \({\xi }_{i}\left(k\right)\)= GRC de cada respuesta, \({\Delta }_{min}\) y \({\Delta }_{max}\ ) = desviaciones más baja y más alta del factor objetivo individual, respectivamente. El coeficiente diferenciador o de identificación está simbolizado por \(\zeta\) y está delimitado dentro del rango de \(\zeta \epsilon \left[\mathrm{0,1}\right]\). Esto generalmente se establece en ½ para asignar pesos equivalentes a cada variable. Como se indica en (Ec. 8), GRG se determina tomando la media de GRG de cada parámetro de salida:

donde \({\gamma }_{i}\) = GRG obtenido para la i-ésima ejecución de la prueba, n = recuento total de los atributos de rendimiento. Luego de la determinación de los niveles óptimos de parámetro, la última fase es predecir y validar el resultado utilizando la ecuación. (9):

donde \({\gamma }_{0}\) representa el GRG medio más alto en niveles óptimos de variables y \({\gamma }_{m}\) define el GRG medio. \(q\) = parámetro que significa factores que influyen en los valores objetivo.

En 1995, Vapnik ideó e implementó una máquina de vectores de soporte (SVM), que se considera un enfoque de aprendizaje basado en observadores. La minimización del riesgo estructural, así como la teoría del aprendizaje estadístico, son la función más importante de la SVM. Sin embargo, las propiedades que distinguen a SVM de ANN son la complejidad, la minimización de errores y la ganancia en la capacidad de rendimiento de la red. SVM se puede clasificar en regresión de soporte lineal y regresión de soporte no lineal (NSVR). Varios campos de la ingeniería han sido testigos de la aplicación de la función kernel de SVM. El modelo SVR podría considerarse como SVM sobre la base de capas que incluyen la ponderación de la función del kernel en las entradas, así como la suma ponderada de la función de los objetivos del kernel. En general, SVM se codifica en dos códigos, a saber, los modelos Support Vector Regression (SVR) y Support Vector Classifier (SVC). El modelo SVR se compone de predicciones, mientras que el modelo SVC trata las clasificaciones. El modelo SVR se designa como:

donde w representa el peso del vector que se muestra en el espacio de características, \(\Phi\) muestra la función de transferencia, b es el sesgo. Por lo tanto, para mostrar la función SVR \(f\left(x\right)\), el problema de regresión se presenta como:

Sujeto a las condiciones:

donde \(\parallel w{\parallel }^{2}\) = vector de norma de peso, C = parámetro de penalización, \({\xi }_{i}\) y \({\xi }^{*}\ )= variables de holgura. Mediante el uso de funciones de Lagrange, la solución de la función de regresión no lineal se puede presentar basada en la optimización de la siguiente manera:

donde \(K\left(x,{x}_{i}\right)\) muestra la función kernel y son variables binarias (\({\alpha }_{i }y {\alpha }_{i}^ {*}>0)\). Existen varios tipos de funciones kernel, incluidas las sigmoideas, lineales y polinómicas, pero la función kernel más utilizada es la función de base radial (RBF). En consecuencia, el núcleo RBF se utilizó en este estudio y se expresa como (Ec. 13).

donde \(\gamma\) = parámetro del núcleo. El rendimiento del modelo SVR se ve afectado por C, \(\gamma\) y \(\varepsilon\) (tamaño).

HHO es un modelo único elaborado mediante la simulación del proceso de caza del halcón. Últimamente, el procedimiento se ha utilizado con éxito para resolver varios problemas complejos de ingeniería y ciencia. Los halcones en su mayoría operan solos, mientras que los halcones de Harris persiguen y cazan operando y cooperando juntos. Por lo tanto, el método HHO es similar a la característica de caza natural y la metodología cooperativa de Harris Hawks. La metodología de caza del modelo HHO implica rastrear, rodear, acercarse y atacar. Estos mecanismos se logran en tres fases principales, a saber: exploración, una transición de exploración a explotación y explotación (Fig. 12).

Varias etapas en HHO57.

En 1995, PSO fue presentado por Kennedy y Eberhart. Es un método de búsqueda basado en la población que se inspira en el comportamiento social y la dinámica de los animales. La intención inicial de la filosofía SPO era imitar claramente el comportamiento social de los animales en bandadas de aves como un ejemplo para detectar tendencias que controlan la capacidad de las aves para volar con precisión al mismo tiempo y, de repente, alterar la dirección al reunirse de forma óptima. estilo. Partiendo de este primer propósito, la filosofía inspiró un enfoque de optimización simple y eficiente. PSO se inicia con un grupo de partículas aleatorias que buscan un valor óptimo al actualizar los dos mejores valores en cada iteración. El primero se denomina mejor personal (pbest). Este es el mejor valor obtenido hasta ahora por cualquier partícula en la población. Todas las partículas exploran el espacio de búsqueda y la información recopilada por ellas se utiliza para encontrar la mejor partícula en el enjambre denominado mejor global (gbest). A partir de entonces, la partícula actualiza su velocidad y posiciones de acuerdo con las Ecs. (14, 15):

donde \({V}_{i}^{k+1}\)= la velocidad del individuo I en la iteración \(k\) +1, \({V}_{i}^{k}\) = la velocidad del individuo i en la iteración \(k\), \(\omega\) representa el parámetro de peso de inercia, \({c}_{1}\) y \({c}_{2}\) muestran el parámetros cognitivos, \({r}_{1}\) y \({r}_{2}\) = números aleatorios entre 0 y 1, \({X}_{i}^{k}\) = posición del individuo i en la iteración k, \({pbest}_{i}^{k}\) = la mejor posición del individuo I en la iteración k y \({gbest}^{k}\) indica la mejor posición de el grupo hasta la iteración k. La Figura 13 muestra el diagrama de flujo del algoritmo PSO.

Diagrama de flujo del algoritmo PSO.

Mejorar el rendimiento del modelo SVR requiere una delineación cuidadosa de los parámetros involucrados en el modelo SVR. La fuerza del modelo SVR se basa en la elección precisa de C, \(\gamma\) y \(\varepsilon\). Sin embargo, estos parámetros que tienen un amplio rango hacen que el espacio de búsqueda sea muy grande, lo que dificulta la elección de parámetros precisos. Por lo tanto, este problema puede abordarse como un problema de optimización que requiere una solución mediante métodos de optimización. La integración del modelo SVR con PSO y modelos HHO que son algoritmos inspirados en la naturaleza condujo al siguiente modelo híbrido, a saber: SVR-PSO y SVR-HHO para la predicción de comportamientos tribológicos de compuestos de PTFE rellenos. Los modelos inspirados en la naturaleza se utilizaron para elegir los parámetros del modelo SVR, a saber: C, \(\gamma\) y \(\varepsilon\). Diagrama de flujo propuesto del modelo híbrido ilustrado en la Fig. 14.

Diagrama de flujo de los modelos híbridos propuestos.

Uno de los objetivos importantes de cualquier modelo de computación blanda es asegurarse de que los modelos se ajusten a los datos aceptables en función de las métricas de evaluación de modelos utilizadas para obtener un resultado computarizado confiable y sólido de los datos desconocidos. Sin embargo, en la validación de datos se presentan problemas de sobreajuste y mínimos locales. Por lo tanto, el desempeño de la fase de aprendizaje puede ser insatisfactorio. Esto es especialmente cuando el análisis trata con una cantidad relativamente pequeña de conjuntos de datos, como en este estudio. Se pueden emplear varios métodos de validación, incluida la validación cruzada (k-fold), ocultar y dejar uno fuera. Aquí, el enfoque de k-pliegue se utilizó para derogar los problemas de sobreajuste. Con respecto a este estudio, los datos se dividieron en (70%) y (30%) para entrenamiento y prueba, respectivamente. Los datos obtenidos a través de experimentos abrasivos se preprocesaron y normalizaron de acuerdo con la ecuación. (dieciséis). La normalización de datos se realizó antes del entrenamiento del modelo y, por lo general, mejora la eficiencia de los modelos predictivos. El trabajo actual introdujo el modelo SVR junto con modelos de optimización de enjambre de partículas (PSO) y optimización de Harris Hawk (HHO) para predecir comportamientos tribológicos abrasivos de compuestos de PTFE rellenos. La predicción de los comportamientos tribológicos es importante. Sin embargo, la creación de un modelo fiable suele ser desafiante y difícil dada la naturaleza del conjunto de datos obtenidos de los experimentos.

donde y = datos normalizados, \(x\) = son los datos experimentales, mientras que \({x}_{max} y {x}_{min}\) son los datos experimentales máximo y mínimo, respectivamente.

En general, el rendimiento de la eficiencia del modelo debe incluir al menos una métrica de bondad de ajuste y al menos una de error de predicción58. Con base en este coeficiente de determinación (R2), el coeficiente de correlación (R), el error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE) se eligen como métricas de evaluación de modelos de los métodos de computación blanda. R2, R, RMSE y MAPE se dan a continuación. Estas herramientas estadísticas proporcionan información sobre la eficiencia de los modelos.

donde \(x,y,\widehat{x}\) y \(\widehat{y}\) son los valores real, pronosticado, promedio real y promedio pronosticado, respectivamente.

Unal, H., Sen, U. & Mimaroglu, A. Comportamiento de desgaste abrasivo de materiales poliméricos. Mate. Des. 26, 705–710 (2005).

Artículo CAS Google Académico

Bijwe, J., Logani, CM & Tewari, US Influencia de los rellenos y el refuerzo de fibra en la resistencia al desgaste abrasivo de algunos compuestos poliméricos. Desgaste 138, 77–92 (1990).

Artículo CAS Google Académico

Khedkar, J., Negulescu, I. & Meletis, EI Desgaste por deslizamiento de los compuestos de PTFE. Desgaste 252, 361–369 (2002).

Artículo CAS Google Académico

Suresha, B. & Kumar, KNS Investigaciones sobre el comportamiento mecánico y de desgaste abrasivo de dos cuerpos de compuestos de éster de vinilo reforzado con tela de vidrio/carbono. Mate. Des. 30, 2056-2060 (2009).

Artículo CAS Google Académico

Harsha, AP y Tewari, EE. UU. Resistencia al desgaste abrasivo de compuestos de polisulfona reforzados con fibra de vidrio. Indio J. Ing. Mate. ciencia 9, 203–208 (2002).

CAS Google Académico

Kukureka, SN, Hooke, CJ, Rao, M., Liao, P. & Chen, YK El efecto del refuerzo de fibra sobre la fricción y el desgaste de la poliamida 66 bajo contacto de deslizamiento y rodadura en seco. Tribol. En t. 32, 107–116 (1999).

Artículo CAS Google Académico

Ulas, M., Altay, O., Gurgenc, T. & Özel, C. Un nuevo enfoque para la predicción de la pérdida por desgaste de los revestimientos superficiales de PTA utilizando una red neuronal artificial y una máquina de aprendizaje extrema básica, basada en kernel y ponderada. Fricción 20, 1–14 (2019).

Google Académico

Unal, H., Yetgin, SH, Mimaroglu, A. y Sumer, M. El efecto de los parámetros de prueba en el rendimiento de fricción y desgaste de PTFE y compuestos de PTFE. J. Reinf. plástico compos. 29, 1978-1986 (2010).

Artículo CAS Google Académico

Şahin, Y. & Mirzayev, H. Características de desgaste de los compuestos a base de polímeros. mecánico compos. Mate. 51, 543–554 (2015).

Artículo ADS CAS Google Académico

He, R., Chang, Q., Huang, X. & Bo, J. Propiedades mecánicas mejoradas de compuestos de PTFE reforzados con fibra de carbono mediante el crecimiento de óxido de grafeno en la superficie de fibra de carbono. compos. Interfaces 25, 995–1004 (2018).

Artículo CAS Google Académico

Suh, J. & Bae, D. Propiedades mecánicas de compuestos de politetrafluoroetileno reforzados con nanoplaquetas de grafeno mediante procesamiento de estado sólido. compos. Parte B Ing. 95, 317–323 (2016).

Artículo CAS Google Académico

Shipway, PH & Ngao, NK Desgaste abrasivo a microescala de materiales poliméricos. Desgaste 255, 25 (2003).

Artículo CAS Google Académico

Ravi Kumar, BN, Suresha, B. y Venkataramareddy, M. Efecto de los rellenos de partículas sobre el comportamiento de desgaste mecánico y abrasivo de los nanocompuestos de poliamida 66/polipropileno. Mate. Des. 30, 3852–3858 (2009).

Artículo CAS Google Académico

Liu, C., Ren, LQ y Tong, J. Comportamiento de desgaste abrasivo de compuestos de polietileno de ultra alto peso molecular reforzados con partículas. Use 225–229, 199–204 (1999).

Artículo Google Académico

Yousif, BF, Nirmal, U. & Wong, KJ Abrasión de tres cuerpos en el desgaste y el rendimiento de fricción del compuesto de epoxi reforzado con fibra de nuez de betel tratado (T-BFRE). Mate. Des. 31, 4514–4521 (2010).

Artículo CAS Google Académico

Pervez, MN, Shafiq, F., Sarwar, Z., Jilani, MM y Cai, Y. Optimización de múltiples respuestas del acabado con resina mediante el uso de un análisis relacional de grises basado en taguchi. Materiales (Basilea) 11, 426 (2018).

Artículo ADS CAS Google Académico

Julong, D. Introducción a la teoría del sistema gris. Sistema J. Gray. 1989, 1 (1989).

MathSciNet MATEMÁTICAS Google Académico

Dharmalingam, S., Subramanian, R. & Kok, M. Optimización del rendimiento del desgaste abrasivo en compuestos de matriz metálica híbrida de aluminio mediante el análisis relacional Taguchi-grey. J. Ing. Tribol. 227, 749–760 (2013).

CAS Google Académico

Sylajakumari, PA & Ramakrishnasamy, R. Taguchi análisis relacional gris para respuestas múltiples. Materiales (Basilea) 11, 1–17 (2018).

Google Académico

Saravanan, KG & Rajasekaran, T. Optimización de parámetros láser y geometría de hoyuelos usando GRG acoplado a PCA. Strojniški Vestn. J. Mec. Ing. 20, 20 (2021).

Google Académico

Pervez, H., Mozumder, M. y Mourad, A.-H. Optimización de los parámetros de moldeo por inyección para la fabricación de nanocompuestos de HDPE/TiO2 con múltiples características de rendimiento utilizando el método Taguchi y el análisis relacional gris. Materiales (Basilea) 9, 710 (2016).

Artículo ADS CAS Google Académico

Adediran, AA, Akinwande, AA, Balogun, OA & Bello, OS Estudios mecánicos y de optimización de biocompuestos híbridos de polipropileno. ciencia Rep. 20, 1–17. https://doi.org/10.1038/s41598-022-06304-6 (2022).

Artículo CAS Google Académico

Lal, S., Kumar, S., Khan, ZA y Siddiquee, AN Optimización de respuesta múltiple de los parámetros del proceso de mecanizado por descarga eléctrica de alambre para compuestos híbridos Al7075/Al2O3/SiC mediante análisis relacional gris basado en Taguchi. proc. IMechE Parte B J. Ing. Fabricación 229, 229–237 (2015).

Artículo Google Académico

Raykar, SJ, Addona, DMD y Mane, AM Optimización multiobjetivo del torneado de alta velocidad de Al 7075 mediante análisis relacional gris. Proceder CIRP 33, 293–298 (2015).

Artículo Google Académico

Kuram, E. & Ozcelik, B. Optimización multiobjetivo utilizando el análisis relacional gris basado en Taguchi para el microfresado de material Al 7075 con fresa de punta esférica. Medida 46, 1849–1864 (2013).

Artículo ANUNCIOS Google Académico

Dhande, DY Análisis comparativo del desgaste abrasivo utilizando el método de superficie de respuesta y la red neuronal artificial. J. Inst. Ing. Ser. D https://doi.org/10.1007/s40033-021-00250-9 (2021).

Artículo Google Académico

Zhang, Z., Friedrich, K. & Velten, K. Predicción sobre las propiedades tribológicas de compuestos de fibra corta utilizando redes neuronales artificiales. Desgaste 252, 668–675 (2002).

Artículo CAS Google Académico

Velten, K., Reinicke, R. y Friedrich, K. Predicción del volumen de desgaste con redes neuronales artificiales. Tribol. En t. 33, 731–736 (2000).

Artículo Google Académico

Jiang, Z., Zhang, Z. & Friedrich, K. Predicción sobre las propiedades de desgaste de compuestos poliméricos con redes neuronales artificiales. compos. ciencia Tecnología 67, 168–176 (2007).

Artículo CAS Google Académico

Jiang, Z., Gyurova, L., Zhang, Z., Friedrich, K. y Schlarb, AK Predicción basada en redes neuronales sobre propiedades mecánicas y de desgaste de compuestos de poliamida reforzados con fibras cortas. Mate. Des. 29, 628–637 (2008).

Artículo CAS Google Académico

Tang, J., Huang, Z., Zhu, Y. & Zhu, J. Control de compensación de red neuronal de la posición de la bola de levitación magnética basado en inferencia difusa. ciencia Rep. 20, 1–17. https://doi.org/10.1038/s41598-022-05900-w (2022).

Artículo CAS Google Académico

Haghighat Mesbahi, A., Semnani, D. y NouriKhorasani, S. Predicción del rendimiento de una tasa de desgaste específica en nanocompuestos epoxi con diversos contenidos de composición de politetrafluoroetileno (PTFE), grafito, fibras cortas de carbono (CF) y nano-TiO2 utilizando neuro adaptativo -Sistema de inferencia borrosa (ANFIS). compos. Parte B Ing. 43, 549–558 (2012).

Artículo CAS Google Académico

Ray, S. Un análisis comparativo de las características de desgaste por abrasión de compuestos de vidrio/poliéster llenos de desechos industriales basado en el diseño de experimentos y redes neuronales. polim. compos. 20, 1–15. https://doi.org/10.1002/pc.25836 (2020).

Artículo CAS Google Académico

Dutta, S., Pal, SK & Sen, R. Predicción en máquina-herramienta del desgaste en incidencia a partir de imágenes de superficies mecanizadas utilizando análisis de textura y regresión de vectores de soporte. Resumen. Ing. 43, 34–42 (2016).

Artículo Google Académico

Bhattacharyya, P. & Sanadhya, SK Evaluación del desgaste de herramientas basada en la regresión vectorial de apoyo en fresado frontal. proc. Internacional IEEE Conf. Tecnología ind. 20, 2468–2473. https://doi.org/10.1109/ICIT.2006.372659 (2006).

Artículo Google Académico

Kalantary, S., Jahani, A., Pourbabaki, R. & Beigzadeh, Z. Aplicación de técnicas de modelado ANN en la predicción del diámetro de PCL/nanofibras de gelatina en estudios ambientales y médicos. RSC Avanzado. 9, 24858–24874 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Pachuri, VS, Sunjay, S., Om Prakash, V., Bhuvnesh, B. & Tarun Kumar, S. Nikhil Predicción y optimización de la pérdida por desgaste abrasivo del acero martensítico de ultra alta resistencia utilizando la metodología de superficie de respuesta, Harris Hawk y una red neuronal artificial. En t. Sistema J. Assu Ing. Administrar. 20, 1–16 (2021).

Google Académico

Chowdhury, MA et al. Investigación experimental del coeficiente de fricción y la tasa de desgaste de materiales compuestos que se deslizan contra superficies de contacto de acero dulce lisas y rugosas. Tribol. Ind. 35, 286–292 (2013).

Google Académico

Asuke, F., Abdulwahab, M., Aigbodion, VS, Fayomi, OSI y Aponbiede, O. Efecto de la carga sobre el comportamiento de desgaste del compuesto de partículas de ceniza de hueso carbonizado/polipropileno. Egipto. J. Aplicación Básica. ciencia 1, 67–70 (2019).

Google Académico

Hakami, F., Pramanik, A., Basak, AK y Ridgway, N. Efecto del tamaño de las partículas abrasivas sobre el comportamiento tribológico de los elastómeros. J. Ing. 1, 1–13 (2019).

Google Académico

Mohan, N., Natarajan, S. & Kumareshbabu, SP Investigación sobre el comportamiento de desgaste abrasivo de dos cuerpos de materiales compuestos de epoxi y tejido de vidrio rellenos de carburo de silicio. J. Minero. Mate. carácter Ing. 9, 231–246 (2010).

Google Académico

Bahadur, S. & Sunkara, C. Efecto de la estructura, composición y unión de la película de transferencia sobre el comportamiento tribológico del sulfuro de polifenileno relleno con nanopartículas de TiO2, ZnO, CuO y SiC. Ropa 258, 1411–1421 (2005).

Artículo CAS Google Académico

Schwartz, CJ & Bahadur, S. El papel de la deformabilidad del relleno, la unión del relleno con el polímero y el material de la superficie de contacto en el comportamiento tribológico del sulfuro de polifenileno (PPS). Desgaste 251, 1532-1540 (2001).

Artículo Google Académico

Basavarajappa, S., Arun, KV y Davim, JP Efecto de los materiales de relleno sobre el comportamiento de desgaste por deslizamiento en seco de los compuestos de matriz polimérica: un enfoque de Taguchi. J. Minero. Mate. carácter Ing. 8, 379–391 (2009).

Google Académico

Wojceichowski, S., Maruda, RW, Krolczyk, GM y Nieslony, P. Aplicación de la relación señal-ruido y análisis relacional de grises para minimizar las fuerzas y vibraciones durante el fresado preciso de extremos esféricos. Resumen. Ing. 51, 582–5596 (2018).

Artículo Google Académico

Ramesh, BN & Suresha, B. Optimización de parámetros tribológicos en modo de desgaste abrasivo de compuestos híbridos de carbono-epoxi. Mate. Des. Des. 59, 38–49 (2014).

Artículo CAS Google Académico

Stalin, B., Kumar, PR, Ravichandran, M., Kumar, MS y Meignanamoorthy, M. Optimización de los parámetros de desgaste utilizando el análisis relacional gris de Taguchi y el algoritmo ANN-TLBO para compuestos de matriz AA6063 rellenos con nitruro de silicio. Mate. Res. Expreso 6, 106590 (2019).

Artículo ADS CAS Google Académico

Yu, J., Kim, C.-H. y Rhee, S.-B. La comparación de la optimización recientemente propuesta de Harris Hawks y la optimización de Jaya para resolver el problema de coordinación de relés direccionales de sobrecorriente. Complejidad 20, 1–22 (2020).

Google Académico

LeGates, DR & McCabe, GJJ Evaluación del uso de medidas de "bondad de ajuste" en la validación de modelos hidrológicos e hidroclimáticos. Recurso de agua. Res. 35, 233–241 (1999).

Artículo ANUNCIOS Google Académico

Moriasi, DN et al. Directrices de evaluación de modelos para la cuantificación sistemática de la precisión en simulaciones de cuencas hidrográficas. Trans. ASABE 50, 885–900 (2007).

Artículo Google Académico

Musa, B., Yimen, N., Abba, SI & Adun, HH Pronóstico de demanda de carga multiestado mediante regresión de vector de soporte híbrido integrado con diseño óptimo de sistemas de energía fuera de la red: un enfoque metaheurístico. Procesos 20, 1166 (2021).

Artículo Google Académico

Zheng, B., Gao, F., Ma, X. & Zhang, X. Predicción inteligente del desgaste del motor aeronáutico basada en el SVR optimizado por GMPSO. aplicación ciencia 11, 10592 (2021).

Artículo CAS Google Académico

Kahhal, P., Ghasemi, M., Kashfi, M. & Menghari, HG Una optimización multiobjetivo utilizando un modelo de superficie de respuesta junto con un algoritmo de enjambre de partículas en los parámetros del proceso FSW. ciencia Rep. 12, 1–20 (2022).

Artículo ADS CAS Google Académico

Sharma, V., Sharma, S., Prakash, O. & Bhuvnesh, V. Predicción y optimización de la pérdida por desgaste abrasivo del acero martensítico de ultra alta resistencia utilizando la metodología de superficie de respuesta, Harris Hawk y una red neuronal artificial. En t. Sistema J. Assur. Ing. Administrar. https://doi.org/10.1007/s13198-021-01160-5 (2021).

Artículo Google Académico

Ikpambese, KK & Lawrence, EA Análisis comparativo de regresión lineal múltiple y red neuronal artificial para predecir la fricción y el desgaste de las pastillas de freno de automóviles producidas a partir de la cáscara de la nuez de palma. Tribol. Ind. 40, 25 (2018).

Artículo Google Académico

Altay, O., Gurgenc, T., Ulas, M. y Özel, C. Predicción de las cantidades de pérdida por desgaste del revestimiento de ferroaleaciones utilizando diferentes algoritmos de aprendizaje automático. Fricción 8, 107–114 (2020).

Artículo CAS Google Académico

Islam, MZ et al. Una optimización de Harris Hawks basada en un flujo de potencia óptimo de objetivo único y múltiple considerando las emisiones ambientales. Sostenibilidad 12, 5248 (2020).

Artículo Google Académico

Abba, SI, et al.. Modelado de sistemas inciertos: un estudio de comparación de enfoques lineales y no lineales. 1–6 (2020).

Descargar referencias

Departamento de Ingeniería Mecánica, Facultad de Ingeniería, Universidad de Ciencia y Tecnología de Kano, Wudil KM 50, Kano, Gaya Road, Wudil PMB 3244, Kano, Kano, Nigeria

Musa Alhaji Ibrahim

Departamento de Ingeniería Mecánica, Facultad de Ingeniería, Near East University, via Mersin 10, 99138, Nicosia, Turquía

Musa Alhaji Ibrahim, Hüseyin Çamur y Mahmut A. Savaş

Centro de Investigación Interdisciplinario para la Seguridad del Agua y las Membranas, Universidad King Fahd de Petróleo y Minerales, Dhahran, 31261, Arabia Saudita

SI Abba

También puede buscar este autor en PubMed Google Scholar

MAI diseñó, realizó y analizó los experimentos y los resultados. SIA realizó la simulación. HC y MAS revisaron el manuscrito.

Correspondencia a Musa Alhaji Ibrahim.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ibrahim, MA, Çamur, H., Savaş, MA et al. Optimización y predicción del comportamiento tribológico de compuestos de politetrafluoroetileno rellenos utilizando Taguchi Deng y modelos de regresión de vectores de soporte híbridos. Informe científico 12, 10393 (2022). https://doi.org/10.1038/s41598-022-14629-5

Descargar cita

Recibido: 24 febrero 2022

Aceptado: 09 junio 2022

Publicado: 21 junio 2022

DOI: https://doi.org/10.1038/s41598-022-14629-5

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Informes científicos (2022)

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.