The present study aimed to explore various models to predict the surface roughness in dry turning of AISI 316L stainless steel. Multiple Regression Methods and Artificial Neural Networks Methods were implemented to study the effect of cutting speed, feed, and machining time. In order to increase the reliability and soundness of the registered surface roughness values, a complete Factorial Design was implemented. A statistical comparison of the resultant models was performed. The results produced by both methods show that the surface roughness can be predicted. Results of the Artificial Neural Networks models show a better accuracy than those derived from the Multiple Regression models.Keywords: AISI 316L stainless steel, analysis of regression, artificial neural network, surface roughness, dry turning. RESUMEN

Los fluidos de corte de base natural representan una buena alternativa como referencia para reemplazar a los fluidos de corte derivados del petróleo debido a varios factores como la degradación natural, buenas propiedades lubricantes y bajos costos de producción. Con el fin de determinar sus condiciones físicas y de biodegradabilidad se desarrollaron pruebas para predecir cuánto tiempo demora su degradación en el medio ambiente. Se realizó un estudio de las propiedades químicas-físicas y de biodegradabilidad de un fluido de corte obtenido del aceite de piñón (Jatropha Curcas) para su posterior utilización en el proceso de mecanizado. El porcentaje de degradación se analiza evaluando las mediciones de la relación DBO / DQO tomadas en diferentes momentos. El fluido de corte propuesto muestra propiedades físico-químicas favorables para ser utilizado en las operaciones de mecanizado. Las pruebas realizadas que el fluido es altamente biodegradable teniendo en cuenta la relación DBO / DQO, con un valor del 64,8% a los 21 días.

No abstract

Recibido: 30-11-2017, aprobado tras revisión: 18-12-2017 Forma sugerida de citación: Morales, Y.; Zamora, Y.; Vásquez, P.; Porras, M.; Bárzaga, J.; López, R. (2018). «Com-paración entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco». Ingenius. N.• 19, (enero-junio Resumen AbstractLos métodos de regresión múltiple y redes neuronales artificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dos métodos de predicción: regresión múltiple y redes neuronales artificiales (perceptrón multicapa) con el objetivo de predecir la rugosidad superficial en el torneado en seco del acero AISI 316l. En su implementación fueron considerados varios parámetros de corte como la velocidad, el avance y el tiempo de mecanizado. Las ecuaciones obtenidas por ambos métodos fueron comparadas desarrollando un diseño factorial completo para aumentar la fiabilidad de los valores registrados de rugosidad superficial. En el análisis se puede comprobar mediante los valores de coeficientes de determinación que los modelos propuestos son capaces de predecir la rugosidad superficial. Los modelos obtenidos demuestran que la técnica de redes neuronales artificiales tiene mejor precisión que la regresión múltiple para este estudio.The simple regression and artificial neural network methods are techniques used in many industrial aplications. This work developed two models in order to predict the surface roughness in dry turning of AISI 316L stainless steel. In its implementation they were considered various cutting parameters such as cutting speed, feed, and machining time. The models obtained by both methods were compared to develop a full factorial design to increase reliability of the recorded values of roughness. The analysis can be corroborated by the values of coefficients of determination that the proposed models are able to predict for surface roughness. The obtained results show that the neural networks techniques are more accurate than the multiple regression techniques for this study.Palabras clave: acero inoxidable AISI 316L, análisis de varianza y regresión, redes neuronales artificiales, rugosidad superficial, torneado de alta velocidad.

En esta investigación se realizará un estudio de cómo aprovechar residuos orgánicos y así evitar que se conviertan en un foco de infección. En la agricultura y ganadería a pequeña escala se ha venido tratando los residuos para transformarlos en abonos naturales, y en algunos casos como combustible. Los biodigestores son sistemas naturales que aprovechan residuos orgánicos, procedentes de actividades agropecuarias, principalmente estiércol, para producir biogás (combustible) y biol (fertilizante natural) mediante el proceso de digestión anaerobia. El biogás puede ser empleado como combustible en las cocinas, calefacción o iluminación. En grandes instalaciones se puede utilizar el biogás para alimentar un motor que genere electricidad. El fertilizante, llamado biol, inicialmente se ha considerado un producto secundario, pero actualmente se está tratando con la misma importancia, o mayor, que el biogás, ya que provee a las familias de un fertilizante natural que mejora fuertemente el rendimiento de las cosechas. Existen diversos tipos de biodigestores, pero en esta propuesta se presentan los biodigestores de bajo costo, que son aquellos que no requieren de sistemas activos de calefacción y/o mecanismos móviles de mezcla. De esta manera los biodigestores de bajo costo se consideran una tecnología apropiada por su bajo coste de inversión, por su fácil manejo, por requerir poco mantenimiento y por ser accesible a los pequeños productores como a los grandes. La incidencia de biodigestores familiares no solo se destaca por la generación de energía renovable y barata, sino que también beneficia a la salud familiar, porqué el biogás no desprende humo al cocinar.