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

Análisis del rendimiento del torneado utilizando coeficiente de vida útil en relación al volumen de metal cortado

(Recibido: 2015/01/20 - Aceptado: 2015/03/25)La mejora continua de los procesos de fabricación es fundamental para alcanzar niveles óptimos de productividad, calidad y corte en la producción de componentes y productos. Esta investigación tiene como objetivo determinar la progresión del desgaste del flanco de la herramienta de corte durante el torneado en seco de alta velocidad para piezas de acero AISI 316L. Los datos experimentales fueron adquiridos utilizando dos niveles de avance de corte, dos niveles de material, tres de velocidad de corte y cuatro de tiempos principales de corte. Un microscópio electrónico de barrido (SEM) fue utilizado para medir y analizar el desgaste de las herramientas de corte. Los resultados fueron comparados utilizando el análisis de varianza y el análisis de regresión múltiple para describir la relación entre las variables utilizadas en el estudio. En el análisis se demostró que el inserto de tres capas no sobrepasó el criterio de fin de vida del desgaste, mientras que el inserto de una capa sufrió un desgaste elevado para la mayor velocidad de corte. Se encontró que existe una relación entre los datos experimentales y los valores predichos para el desgaste del flanco con un error promedio general de 4,1182 %.