Análisis y Aplicación de RNA's a Capas de Acero Borurado

Abstract

Se analizaron y aplicaron tres modelos de Redes Neuronales Artificiales (RNA's): Perceptrón multicapa (MLP), función de base radial (RBF) y la combinación de ambos modelos (RBF & MLP), para obtener el valor de tenacidad a la fractura para los aceros borurados AISI 1045, AISI 1018 y AISI M2. Los aceros fueron expuestos al tratamiento de borurización en pasta, mediante el modelo de grietas tipo Palmqvist, aplicando el modelo de agrietamiento para la evaluación experimental de la tenacidad a la fractura propuesto por Balankin y Campos a través de la modificación del modelo de T. Laugier. Los datos de entrada para cada modelo de red toman en cuenta el tipo de acero borurado, el espesor de capa generado, la distancia de la indentación y la carga de indentación. Las redes fueron entrenadas con datos obtenidos experimentalmente bajo el ensayo de microindentación Vickers sobre las capas de boruros de hierro a diferentes cargas. Los datos de la tenacidad a la fractura de las capas de boruros de hierro son comparados con datos experimentales, obteniendo errores del 5% para ambos modelos de redes neuronales.Three models of artificial neural networks were analysed and applied: Multilayer Perceptron (MLP), Radial Basis Function Network (BRFN) and the combination of both models (RBFN & MLP) for the value of fracture toughness for boriding steels AISI 1045, AISI 1018 and AISI M2. The steels were exposed to a boriding treatment paste, using the model of Palmqvist type cracks, applying the model to the experimental cracking assessment toughness Balankin proposed by Campos and through the modification of the model T. Laugier fracture. The input data for each grid model taking into account the type of steel boriding, the generated layer thickness, the distance of the indentation and the indentation load. The networks were trained with data obtained experimentally under Vickers microindentation testing on iron boride layers at different loads. The data of the fracture toughness of the iron boride layer are compared with experimental data, obtaining errors of 5% for both models of neural networks.