Predicción del Composite Requerido en el Diseño de un Recipiente Toroidal Mediante una Red Neuronal Artificial
DOI:
https://doi.org/10.53591/iti.v13i13.1093Palabras clave:
Recipiente Toroidal, Inteligencia Artificial, Optimización, Machine Learning, Red Neuronal ArtificialResumen
Contexto: Dentro del diseño de los recipientes toroidales, minimizar la cantidad de material, es muy importante para la reducción de costos de producción; los métodos convencionales que se usan para minimizar la cantidad de material, consumen mucho tiempo de computación cada vez que se ensaya sobre un nuevo recipiente. Las nuevas técnicas basadas en inteligencia artificial, garantizan la predicción de la cantidad mínima de material requerido para el diseño de un recipiente en el menor tiempo posible. Método: La metodología de predicción, está basada en un modelo de regresión lineal a través de una red neuronal artificial, que se implementa con el modelo de Keras de Python; en su primera fase, se maneja un dataset creado por un script con código APDL de ANSYS. Resultados: Un modelo de red neuronal artificial que aprendió a predecir la cantidad mínima de material, índices adecuados de exactitud y perdida del modelo. Conclusiones: Se obtuvo un mejor rendimiento del modelo, la partición del dataset en datos de training y testing, se obtuvo un nivel de precisión muy elevado que asegura la confiabilidad del modelo de machine learning frente a los tradicionales.
Citas
Agasi, O., Anderson, J., Cole, A., Berthold, M., Cox, M., & Dimov, D. (2018). What is an Artificial Neural Network (ANN)? - Definition from Techopedia. Techopedia.
Barbero, E. J., & Cosso, F. A. (2014). Determination of material parameters for discrete damage mechanics analysis of carbon-epoxy laminates. Composites Part B: Engineering, 56. https://doi.org/10.1016/j.compositesb.2013.08.084
Barbero, E. J., & Shahbazi, M. (2017). Determination of material properties for ANSYS progressive damage analysis of laminated composites. Composite Structures, 176, 768–779. Retrieved from https://doi.org/10.1016/j.compstruct.2017.05.074
Brownlee, J. (2016). Supervised and Unsupervised Machine Learning Algorithms. Understand Machine Learning Algorithms.
Brownlee, J. (2017). How to Use the Keras Functional API for Deep Learning. Machinelearningmastery., (1).
Chapman, A., Simperl, E., Koesten, L., Konstantinidis, G., Ibáñez, L. D., Kacprzak, E., & Groth, P. (2020). Dataset search: a survey. VLDB Journal, 29(1). https://doi.org/10.1007/s00778-019-00564-x
DeLay, T., & Roberts, K. (2003, November 1). Toroidal Tank Development for Upper-stages. Retrieved February 8, 2016, from http://ntrs.nasa.gov/search.jsp?R=20040084002
Karlijn Willems. (2019). (Tutorial) KERAS Tutorial: DEEP LEARNING in PYTHON - DataCamp.
Mathur, P. (2019). Machine Learning Applications Using Python. In Machine Learning Applications Using Python. https://doi.org/10.1007/978-1-4842-3787-8
Moore, M., Saxon, M., Venkateswara, H., Berisha, V., & Panchanathan, S. (2019). Say what? A dataset for exploring the error patterns that two ASR engines make. Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH, 2019-Septe. https://doi.org/10.21437/Interspeech.2019-3096
Patiño-Pérez, D., & Corz-Rodríguez, A. (2019). Optimum design of a toroidal pressure vessel of composite material for gas (CNG) powered vehicles. Dyna (Spain), 94(5), 546–553. https://doi.org/10.6036/9096
Patiño, D., & Corz, A. (2018). Comparative Analysis of Toroidal Pressure Vessels of Composite by Finite Elements. International Journal of Innovation and Applied Studies(IJIAS), 25(1), 162–175. Retrieved from http://www.ijias.issr-journals.org/abstract.php?article=IJIAS-18-229-30
Patiño Pérez, D., Corz Rodriguez, A., & Mora, C. M. (2020). Diseño Optimo de un Recipiente a Presión Toroidal de Espesor Variable para Almacenar Hidrogeno en Automóviles Optimal Design of a Toroidal Pressure Vessel of Variable Thickness for Storing Hydrogen in Cars. ECUADORIAN SCIENCE JOURNAL, 4(2), 94–100. https://doi.org/10.46480/esj.4.2.107
Pedrycz, W., Sillitti, A., & Succi, G. (2016). Computational intelligence: An introduction. In Studies in Computational Intelligence. https://doi.org/10.1007/978-3-319-25964-2_2
Vick, M. J., & Gramoll, K. (2012). Finite Element Study on the Optimization of an Orthotropic Composite Toroidal Shell. Journal of Pressure Vessel Technology, 134(5), 1–7. https://doi.org/10.1115/1.4005873
Yegnanarayana, B. (1994). Artificial neural networks for pattern recognition. Sadhana, 19(2). https://doi.org/10.1007/BF02811896
Zou, D., Cao, Y., Zhou, D., & Gu, Q. (2020). Gradient descent optimizes over-parameterized deep ReLU networks. Machine Learning, 109(3). https://doi.org/10.1007/s10994-019-05839-6
Publicado
Número
Sección
Licencia
Derechos de autor 2021 Darwin Patiño Pérez, Miguel Botto-Tobar, Celia Munive Mora
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.