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

1084 Accesos

3 citas

1 altmétrica

Detalles de métricas

Este estudio presenta la optimización y predicción del comportamiento tribológico de compuestos de politetrafluoroetileno (PTFE) rellenos utilizando modelos híbridos de Taguchi y de regresión de vectores de soporte (SVR). Para lograr la optimización, se empleó Taguchi Deng considerando múltiples respuestas y parámetros de proceso relevantes para el comportamiento tribológico. El coeficiente de fricción (μ) y la tasa de desgaste específico (Ks) se midieron utilizando un tribómetro de pasador sobre disco. En este estudio, los parámetros del proceso fueron la carga, el tamaño del grano, la distancia y la velocidad. Se aplicó una matriz 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 parámetros individuales en las respuestas múltiples. Para predecir µ y Ks, se empleó la SVR junto con la novedosa optimización de Harris Hawks (HHO) y la optimización de enjambre de partículas (PSO), formando modelos SVR-HHO y SVR-PSO, respectivamente. Se utilizaron cuatro métricas de evaluación de modelos para evaluar la precisión de la predicción de los modelos. Los resultados de la validación revelaron una mejora en condiciones óptimas de prueba. Los modelos SVR híbridos indicaron una precisión de predicción superior al modelo SVR único. Además, SVR-HHO superó al modelo SVR-PSO. Se descubrió 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 polimérica (PMC) rellenos que contienen rellenos continúan recibiendo una atención significativa por parte de académicos e industrias debido a sus comportamientos mecánicos y tribológicos modificados en comparación con los polímeros vírgenes1. Los composites a base de polímeros mostraron una resistencia tribológica mejorada2. De los diferentes tipos de polímeros, el politetrafluoroetileno (PTFE) relleno de fibras de carbono o bronce es el más utilizado debido a su alto comportamiento mecánico y bajo comportamiento tribológico3. Se ha indicado que estos compuestos son adecuados en sectores donde los comportamientos tribológicos de las piezas mecánicas, incluidos frenos y embragues, son significativos4,5,6,7. En general, se ha acordado que la resistencia tribológica de los materiales se puede mejorar añadiendo más contenido de carga hasta un 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 y provoca la frecuente sustitución de piezas, especialmente la abrasión. Se ha estudiado experimentalmente el desgaste abrasivo de diversos polímeros y polímeros cargados. 12 estudió la tasa de desgaste abrasivo de diferentes matrices y descubrió que diferentes polímeros exhibían tasas de desgaste diferentes. Se analizó la inclusión de tejido de vidrio y carbono en vinilo/éster. La combinación de vinilo/éster reforzado indicó una menor tasa de desgaste que el compuesto de vinilo/éster reforzado con fibra de vidrio y/o carbono13. Según lo informado por 14, la carga aplicada fue el parámetro de proceso más significativo; Se observó una tasa de desgaste reducida cuando se reforzó el UHMWPE de alto rendimiento con rellenos. Según 15, se observó que la pérdida de masa y 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 múltiples respuestas relacionadas con comportamientos tribológicos de compuestos, en la literatura se han propuesto varios métodos de toma de decisiones, incluido el desarrollo de datos, la jerarquía analítica y el análisis relacional gris (GRA)16. De estos modelos, GRA propuesto por Deng en 1989 es la metodología más utilizada, especialmente cuando la naturaleza de la información no es segura y completa17. Dharmalingam, Subramanian y Kok combinaron el análisis relacional gris (GRA) con Taguchi para optimizar las propiedades tribológicas abrasivas de los compuestos metálicos híbridos de aluminio. El análisis de varianza (ANOVA) indicó que el tamaño del grano fue el parámetro que tuvo la mayor influencia en la tasa de desgaste y se encontró que la carga tuvo 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-long. ANOVA mostró que la velocidad afecta significativamente la propiedad de desgaste del compuesto cocontinuo. Savaran y Thanigaivelan20 optimizaron la geometría de los hoyuelos y los parámetros del láser mediante 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 integrado Taguchi OA y GRA para optimizar los parámetros de moldeo por inyección de nanocompuestos HDPE-TiO2 Pervez et al.21. El trabajo estableció que los parámetros óptimos fueron contenido de TiO2 al 5%, temperatura del barril de 225 °C, tiempo de residencia de 30 min y tiempo de retención de 20 s. Adediran et al. Propiedades mecánicas optimizadas de biocompuestos híbridos reforzados con propileno utilizando el modelo Taguchi. Se descubrió 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 Taguchi hibridado con calidad relacional gris también se ha empleado para la optimización de respuestas múltiples del mecanizado por descarga eléctrica 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, incluidas la máquina de vectores de soporte (SVM), el sistema de inferencia neurodifusa adaptativa (ANFIS) y la red neuronal artificial (ANN). La razón es el hecho de 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 con costos de funcionamiento mucho más económicos. Se encuentran diversas formas de desgaste, como abrasión, adhesivo, desgaste por fricción y fatiga. La tribología abrasiva para compuestos, instrumentos, recubrimientos, implantes de cadera, fabricación de aviones y componentes de automóviles es de vital importancia ya que determina el rendimiento o la longevidad de las piezas. Esto generalmente se verifica experimentalmente, así como parámetros del proceso como las características del material, la textura de la superficie, la velocidad de deslizamiento y la 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, el método de los elementos finitos, el modelado de síntomas, la mecánica continua, la reducción de dimensiones, el análisis, el sistema de elementos límite y los 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 y cols. Fue pionero en el uso de ANN para predecir datos de vida y comportamientos tribológicos. La predicción precisa de las propiedades tribológicas mediante ANN ofrece una opción a los enfoques de prueba actuales que consumen costos y energía. Desde entonces, el método se ha aplicado con éxito en la disciplina de tribología que incluye el desgaste de compuestos poliméricos reforzados27,28, el coeficiente de fricción y las propiedades mecánicas, respectivamente29,30, y la compensación de la levitación magnética utilizando RNA basada en inferencia difusa31. Se compararon ANFIS y ANN en la predicción de Ks PTFE y sus compuestos. Se descubrió 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 de PCL/gelatina. Se informó que ANN obtuvo mejores resultados que SVR y RBFF juntos36. Se utilizó la metodología de superficie de respuesta, ANN-HHO y el modelo en la predicción del desgaste abrasivo de acero martensítico de ultra alta resistencia. Se informó que la ANN-HHO hibridada mostró un mejor rendimiento que el modelo de ANN única37.

Un estudio de la literatura publicada en la base de datos Scopus arrojó la conclusión de que había 450 artículos revisados ​​por pares desde 1989 hasta la fecha adoptados sobre la literatura basándose en la viabilidad del amplio interés por el comportamiento tribológico abrasivo de los compuestos a base de 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 la mayor parte de los países productores China, Estados Unidos e India. (Figura 1a). La motivación de este estudio demostró excelentes técnicas de IA para predecir el comportamiento tribológico abrasivo de compuestos de PTFE rellenos. Generalmente cada estudio ha progresado a un grado un poco mayor de precisión para las observaciones y eficiencia a un nivel más profundo que el anterior. Hasta donde saben los autores, ningún estudio publicado en la literatura técnica ha predicho el comportamiento tribológico abrasivo de los compuestos de PTFE rellenos que emplean 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 específico (Ks) del desgaste abrasivo de compuestos de PTFE reforzado utilizando Taguchi Deng y la novedosa regresión de vectores de soporte híbridos (SVR). ) modelo.

(a) Principales palabras clave utilizadas en la literatura sobre la tribología abrasiva del campo de compuestos a base de PTFE (1989-2021), (b) se investigó la región de investigación de abrasivos.

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 de ascenso y descenso al variar los parámetros. Cada ensayo se realizó dos veces y se utilizó el promedio para los cálculos. Las SNR más altas de µ y Ks se produjeron en 20 y 12 ensayos, respectivamente. Estos dan la tasa tribológica mínima de los compuestos de PTFE rellenos. A pesar de que la temperatura no se calculó, la temperatura aumentó a medida que aumentó 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 las figuras 2a, b, respectivamente. Se observó que a medida que aumenta la carga, µ y Ks disminuyen. El bajo µ en carga máxima se debe a la formación de tribocapa por las fibras en el estado de interacción, así como a la temperatura y al comportamiento viscoelástico relacionado. Esta capa impidió que las muestras de pasadores 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 fibra de vidrio reforzada con plástico contra diferentes superficies de acero suave y rugoso. En el trabajo, los resultados mostraron que µ y Ks disminuyeron a medida que la carga aumentó de 10 a 15 N. A 6 N µ fue alto quizás debido al desgarro de la capa tribo de fibra en la región de contacto. Este hallazgo fue contrario a los resultados obtenidos por 39 cuando se investigó el desgaste abrasivo de polipropileno particulado de ceniza de hueso carbonizado reforzado. Se encontró que Ks aumentaba a medida que la carga aumentaba de 5 a 15 N. Ks era bajo con cargas elevadas debido al gran aumento en el área de contacto aparente con cargas más altas, lo que llevaba a un aumento en el área de contacto, lo que permitía que una gran cantidad de partículas se encontraran con la interfaz. y compartir el estrés. Esto, a su vez, redujo la tasa de desgaste.

Gráfico del 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 el tamaño de los abrasivos disminuye tanto µ como Ks. Un µ alto con un tamaño de grano pequeño está relacionado con la alta rugosidad de las partículas de SiC que ofrecieron una cantidad significativa de resistencia, mientras que un µ bajo se atribuye a la suavidad de las partículas de SiC que ofrecieron poca resistencia a los materiales, todo debido a la formación de una capa protectora en la superficie de contacto. La disminución en la tasa de desgaste debido al aumento en el tamaño del abrasivo está relacionada con la obstrucción de la pista de desgaste con desechos de desgaste y la reducción en la eficiencia de corte de los abrasivos debido a la transferencia. Se informaron resultados similares en 40 donde se investigó el rendimiento del 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, se aplicó una carga de 10 N pero con velocidades variables de 0,25, 0,5 y 1 m/min. Se observó que a medida que aumentaba el tamaño del abrasivo del SiC, tanto µ como Ks se reducían.

La Figura 2a, b muestra la relación entre los parámetros y µ y Ks, respectivamente. Como se observa en la figura, al aumentar la distancia de deslizamiento aumenta µ mientras que se observa una disminución en Ks. Esto se explica porque la distancia actuó como lubricante para las superficies de fricción y, por lo tanto, separó las muestras de pasador del frente del mostrador. La reducción de Ks debido 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 restos de desgaste se transfieren a la superficie de contacto desde el PTFE, lo que provoca una reducción de la tasa de desgaste. Este resultado está validado por 41 en el que se estudió la propiedad de desgaste abrasivo de dos cuerpos de 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 reducía significativamente a medida que aumentaban las distancias de abrasión y el tamaño del grano. Se observó una reducción drástica de Ks entre 25 y 50 m.

A medida que aumenta la velocidad de deslizamiento, µ y Ks disminuyen, se notan µ y Ks altos a baja velocidad debido al mayor 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, la La temperatura en las superficies de contacto cambia. Esto ayuda a la formación de un recubrimiento rugoso y mezclado mecánicamente que se aplica sobre las piezas. Este recubrimiento es resistente a la eliminación y deprecia significativamente µ y Ks. Cuando la superficie de la contracara se toca menos y la protección de la capa dura está muy mezclada se reducen los comportamientos tribológicos. Se ha demostrado que la reducción en la tasa de desgaste depende de la producción de una capa dura adherente, uniforme y delgada en el frente opuesto cuando el polifenileno está reforzado con nanopartículas de CuO, SiC, TiO2 y ZnO para estudiaron la influencia de estas partículas en la tasa de desgaste de los composites, se encontró que con la adición de estas partículas hubo una formación de 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 la función de deformación del relleno, unión del relleno y contracara de rellenos inorgánicos Ag2S, CuS, ZnF2 y SnS se introdujeron en sulfuro de polifenileno. Los resultados indicaron que el desgaste mínimo logrado por Ag2S y CuO se debió a la formación de una película de transferencia delgada, adherente y uniforme formada en la superficie que evita que las muestras entren en contacto directo con la superficie, mientras que la alta tasa de desgaste de ZnF2 y SnS se atribuyó a espesores. 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. Un resultado similar fue reportado por44 cuando se investigó la propiedad tribológica abrasiva de tres cuerpos de compuestos de poliéster reforzados con fibra de vidrio. Se descubrió 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 µm.

En todos los análisis, se encontró que la adición de cargas 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 indujeron mayor dureza y mayor tamaño alrededor de 6 µm.

Los datos experimentales de la Tabla 1 se transformaron en relaciones señal-ruido (SNR) utilizando 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 el gráfico del 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 alcanzada para µ fue una carga de 9 N, un tamaño de grano de malla 1000, una distancia de deslizamiento de 25 my una velocidad de deslizamiento de 0,14 ms-1. Por lo tanto, los parámetros óptimos estimados para lograr un µ mínimo mediante la optimización de Taguchi se pueden codificar como L3G1SD1SS3. Para los K (Tabla 2b; Fig. 3b), la SNR media más alta obtenida para los K fue una carga de 9 N, un tamaño de grano de malla 1000, una distancia de deslizamiento de 55 my una velocidad de deslizamiento de 0,04 ms-1. Por lo tanto, mediante el método 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 el µ fue el tamaño del grano seguido de la carga, la distancia y la velocidad 3(a). La contribución porcentual del tamaño del 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 los K, seguido de la carga, la distancia y la velocidad, respectivamente.

Gráfico del 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 combinando todas las salidas en una sola salida. Deng está acostumbrado a 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 información. Esta técnica se utiliza en gran medida 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) (Tabla 3). El coeficiente de relación de grises (GRC) y el grado de relación de grises (GRG) de µ, así como Ks, se determinaron utilizando las ecuaciones. (6) y (7), respectivamente. Posteriormente se calcula la media de los GRC para establecer el GRG. Se emplearon valores calculados de GRG para producir SNR equivalentes. Una magnitud mayor de SNR es útil en alusión a que las pruebas se encuentran cerca de la magnitud normalizada real de GRG. La Figura 4 muestra la gráfica de GRG frente a SNR. Indica que la prueba número 21 posee la SNR más alta. En consecuencia, el primer rango fue designado para el juicio número 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 respuestas de GRG. Se eligió el factor individual de GRG en el nivel preferido y se calculó el promedio para obtener la media de GRG para parámetros separados. La tabla de respuesta media para el GRG se presenta en la Tabla 6.

Gráfico de GRG versus SNR.

Por ejemplo, la variable G en el nivel 1 en la primera, cuarta y séptima ejecución de la prueba. Los valores concomitantes de GRG en la Tabla 5 se usaron para el cálculo usando la ecuación. (8). La media de los GRG elegidos se calculó mediante el método antes mencionado para generar la tabla de respuesta media (Tabla 4). Las calificaciones en la tabla de respuestas se utilizan como 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, las mejores configuraciones de parámetros para comportamientos tribológicos abrasivos útiles de compuestos de PTFE rellenos son una carga de 9 N, un tamaño de grano de malla 1000, una distancia de 55 m y una velocidad de deslizamiento de 0,14 ms-1 codificada como L3G1D3S3. ANOVA para GRG muestra que el tamaño del grano con un 68,57% es el más influyente, seguido de la carga con un 20,57%, seguido de la distancia con una contribución del 7,78% y finalmente la velocidad con la menor contribución del 3,38% para una pérdida tribológica mínima. Ramesh y Suresha utilizaron el modelo Taguchi Deng para optimizar el modo de desgaste abrasivo del compuesto epoxi reforzado con tela de carbono relleno con Al2O3 y MoS2 como rellenos. Informaron que se encontró que los parámetros óptimos para la tasa de desgaste mínima 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 previsto 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 fueron 2,0 × 10–1 y 1,5353 × 10–6 mm3 N−1 m−1, respectivamente. Más aún, de la Tabla 6 se puede deducir 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 los compuestos de PTFE rellenos. 47 informó una mejora del 8,4% en GRG cuando se utilizó el mismo método para optimizar los parámetros de desgaste de 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 para predecir comportamientos tribológicos de compuestos de PTFE rellenos. Para este objetivo, se obtuvieron comportamientos tribológicos (μ y Ks) a través de los resultados experimentales de la Tabla 1. La predicción de comportamientos tribológicos mediante métodos tradicionales consume tiempo y energía debido a la no linealidad entre los independientes tribológicos y los dependientes de los compuestos poliméricos rellenos, lo que genera inexactitud. Estos problemas pueden abordarse mediante modelos no lineales. Posteriormente, esta sección detalla los resultados obtenidos en formas visualizadas y gráficas. Antes de las simulaciones de los modelos, los datos se normalizaron utilizando la ecuación. (dieciséis). La normalización de datos no permite que valores más grandes eclipsen 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 mitiga 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 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 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 los compuestos de PTFE rellenos que el 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 diagrama 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 todos los datos para los modelos SVRμ y SVRK, respectivamente. A partir de los diagramas de dispersión, es interesante observar aquí que el modelo SVRK indicó una mejor aptitud en comparación con los SVRK cuando se juntaron todos los puntos de datos.

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

Sin embargo, la precisión general de la predicción 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 prometedora precisión de la predicción se produjo en el transcurso del estado de entrenamiento que se utiliza originalmente para medir con precisión el modelo basándose en entradas y salidas conocidas. Sin embargo, la etapa de verificación es importante para evaluar la eficiencia de la predicción de los modelos, ya que inspecciona de cerca la precisión de la predicción de los modelos basados ​​en magnitudes desconocidas. Esta ventaja no se disfruta en la fase de formación. En consecuencia, un modelo robusto debería poseer un rendimiento determinado y equilibrado tanto en los regímenes de entrenamiento como en los 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 hibridados. La Tabla 9 muestra los resultados de los modelos híbridos tanto en el régimen de calibración como en el 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. En 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% y MAPE = 3%. Esto implica que el modelo SVR-HHO funcionó mejor que el modelo SVR-PSO para predecir los comportamientos tribológicos de los compuestos de PTFE rellenos. La superioridad predictiva del HHO sobre otros concuerda 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 el 85 y el 99%. Esto concuerda con las conclusiones extraídas por49,50,51 de que valores de R superiores al 70% se consideran aceptables. Por tanto, todos los modelos híbridos optimizados son aceptables (Tabla 8).

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

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

Zheng et al. utilizó SVR junto con PSO guiado para predecir la tasa de desgaste del motor de avión. Los resultados indicaron una mejor precisión de predicción en comparación con el SVR52 único. En un desarrollo relacionado, Kahhal et al. Optimicé y predije 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 indicaba una precisión de predicción superior53. En la literatura54 se informó sobre la eficiencia de predicción del HHO junto con una red neuronal generalizada para predecir la resistencia a la abrasión del acero martensítico ultrarresistente. Los resultados mostraron que los valores observados y calculados de la propiedad de desgaste se encuentran dentro del rango de incertidumbre del 3 al 4%. De manera diferente, Sammen et al. Red neuronal artificial (ANN) hibridada con PSO, HHO y algoritmo genético (GA) para predecir la profundidad de la socavación aguas abajo del aliviadero de salto de esquí. Se observó que de todos los modelos híbridos, el modelo ANN-HHO tenía una precisión de predicción superior con un error absoluto medio de 0,1760 y un error cuadrático medio de 0,253854. Los hallazgos de estas literaturas reforzaron los resultados de este estudio de que los modelos híbridos podrían aumentar la efectividad de los modelos individuales.

El modelo SVR y sus híbridos, a saber, los modelos SVR-PSO y SVR-HHO, se comparan mediante el gráfico de Taylor 2D como se muestra en las Figs. 8 y 9, respectivamente. Como se ve en el gráfico 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 intrincada 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 utilizando 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 tendencia de mejor 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 ningún modelo particular que pueda garantizar un rendimiento óptimo y consistente al abordar diversos tipos de problemas. Sin embargo, las últimas investigaciones sobre modelos únicos de paradigma de optimización (HHO) basados ​​en la población e inspirados en la naturaleza indicaron una mayor idoneidad a la hora de establecer soluciones óptimas para problemas multiobjetivo. 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 lineal múltiple MLR se ha utilizado ampliamente como enfoque convencional para predecir el comportamiento tribológico de 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. Se encontró que la precisión de la predicción en términos de RMSE para los modelos MLR y ANN era 0,0082 y 0,00450, respectivamente55. Estos valores son menos efectivos en comparación con el RMSE de 0,000001 para SVR-PSO y SVR-HHO en este artículo. De manera similar, Altay et al. utilizaron LR, SVM y regresión de procesos gaussianos para predecir la tasa de desgaste del recubrimiento de ferroaleaciones56. Informaron que RMSE y R2 para LR, SVM y GPR fueron 0,86, 0,69, 0,69 y 0,93, 0,96 y 0,96, respectivamente, que fueron más altos que el RMSE y R2 informados en este artículo que fueron más altos que los que se muestran en la Tabla 8. Con esto, se puede Cabe decir que los modelos propuestos en este estudio son más efectivos que los modelos convencionales a la hora de predecir la tasa de desgaste de 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 importantes como la minimización de costes, la reducción del esfuerzo humano y la prevención de pérdidas de tiempo durante los experimentos. Se espera que los modelos desarrollados se apliquen específicamente en el diseño y/o modificación y desarrollo de materiales nuevos/existentes para aplicaciones tribológicas en maquinaria agrícola, industria de laminación y industria minera, como trituración y molienda.

En este estudio, se presentó la optimización de respuesta múltiple y la predicción de funciones objetivas de coeficiente de fricción (μ) y 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 provocó un aumento de µ y una disminución de Ks. Según la optimización de Taguchi Deng, se encontró que los niveles de parámetros óptimos eran carga en el nivel 3 (9 N), tamaño de grano en el nivel 1 (malla 1000), distancia en el nivel 3 (55 m) y velocidad en el nivel 3 (0,14 ms). −1) codificado como L3G1SD3SS3. El ANOVA para GRG indicó que el tamaño del grano con un 68,57 % fue el parámetro más influyente, seguido de la carga con un 20,57 %, seguido de la distancia con un 7,78 % y luego la velocidad con la menor influencia del 3,38 % que afecta los comportamientos tribológicos de los compuestos de PTFE rellenos. La prueba de validación reveló que hubo una mejora del 55 % en GRG desde 0,4335 (L1G3SD3SS1) para la configuración de diseño inicial hasta 0,9589 para los niveles optimizados (L3G1SD3SS3). En cuanto a la precisión de la 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 dio como resultado la optimización y predicción del comportamiento tribológico de compuestos de PTFE reforzado con un bajo costo experimental y una 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 realizó de acuerdo con la norma ASTM G99 utilizando un tribómetro de pasador sobre disco (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 espesor de 10 mm que ha sido tratado térmicamente para obtener una dureza superficial de 55-60 RC. Está conectado a tierra con un acabado superficial de casi 0,12 µm en promedio en la línea central. Las muestras de dimensiones de 20 mm de largo, 10 mm de ancho y 6 mm de profundidad se cortaron a partir de placas rectangulares moldeadas por compresión cuyas dimensiones son (500 × 500 × 6) mm utilizando mecanizado por chorro de agua con control numérico por computadora para el experimento abrasivo de pasador sobre disco. Se diseñó y fabricó un dispositivo especialmente diseñado para sostener las muestras cuadradas. Las muestras se insertaron en el dispositivo, se atornillaron y luego se cargaron contra papeles abrasivos de carburo de silicio (SiC) pegados al soporte de acero endurecido mediante adhesivo líquido. Los parámetros de control y sus niveles se muestran en la Tabla 9. El diseño experimental se muestra en la Tabla 10. En todos los experimentos, la masa antes (m1) y la masa después (m2) se midieron utilizando una balanza digital (Modelo: PS 1000.RS RADWAG, fabricado en Polonia) con precisión de 10 a 3 g. La prueba se realizó a temperatura ambiente (29 °C y humedad relativa 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 desgaste específico (Ks) se determinó mediante las Ecs 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 del 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. Se eligió el método Taguchi en este estudio debido a su simplicidad de análisis, reducción sustancial en el costo del experimento y validez en una amplia región que abarca los factores de control y sus ajustes. Las relaciones señal-ruido (SNR) se utilizan para establecer los parámetros óptimos. Existen tres tipos de funciones de pérdida de calidad para las SNR, a saber: nominal, mejor; cuanto más alto, mejor; baja mejor. Por lo tanto, cuanto menor sea la mejor función se utilizó 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 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 sólo es capaz de optimizar una única respuesta. Sin embargo, cuando están involucradas dos o más respuestas de características distintas, la técnica de Taguchi es limitada. Así, 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 mediante la integración de múltiples respuestas en una sola respuesta cuya combinación óptima de parámetros representa las diversas respuestas, minimizando así el costo y el tiempo invertido al utilizar 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 menor o mayor, 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, dependiendo de 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 preprocesa mediante la ecuación. (5).

donde \({X}_{i}^{*}\left(k\right)\) = normalizado para el iésimo experimento y \({\varphi }_{i}\left(k\right)\) = secuencia inicial de las respuestas promedio. Después de la normalización de los datos, la fase siguiente es el cálculo de la secuencia de desviación de los datos normalizados utilizando 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. Por tanto, el coeficiente relacional de Gray (GRC) se estima mediante 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 de diferenciación o identificación está simbolizado por \(\zeta\) y está demarcado dentro del rango de \(\zeta \epsilon \left[\mathrm{0,1}\right]\). 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 prueba, n = recuento total de atributos de rendimiento. Tras 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 promedio. \(q\) = parámetro que indica los 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 y la teoría del aprendizaje estadístico son la función más importante del SVM. Sin embargo, las propiedades que distinguen a SVM de ANN son la complejidad, la minimización del error 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, como por ejemplo, han sido testigos de la aplicación de la función del núcleo de SVM. El modelo SVR podría considerarse como SVM sobre la base de capas que incluyen la ponderación de la función del núcleo en las entradas, así como la suma ponderada de la función de los objetivos del núcleo. En general, SVM está codificado en dos códigos: los modelos de regresión de vectores de soporte (SVR) y clasificador de vectores de soporte (SVC). El modelo SVR se compone de predicciones, mientras que el modelo SVC trata clasificaciones. El modelo SVR se designa como:

donde w representa el peso del vector mostrado 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. Al utilizar funciones de Lagrange, la solución de la función de regresión no lineal se puede presentar basándose 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 polinomiales, pero la función kernel más utilizada es la función de base radial (RBF). En consecuencia, en este estudio se utilizó el kernel RBF 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 simulando el proceso de caza del halcón. Últimamente, el procedimiento se ha utilizado con éxito para resolver varios problemas complejos de ingeniería y ciencia. La mayoría de los halcones operan solos, mientras que los halcones 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 la exploración a la explotación y la explotación (Fig. 12).

Varias etapas en HHO57.

En 1995, Kennedy y Eberhart presentaron PSO. Es un método de búsqueda basado en población que se inspira en el comportamiento y dinámica social 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 de volar con precisión al mismo tiempo y de repente alterar la dirección para reunirse en un estado óptimo. estilo. A partir de este primer propósito, la filosofía se inspiró en un enfoque de optimización simple y eficiente. PSO se inicia con un grupo de partículas aleatorias que buscan un valor óptimo actualizando los dos mejores valores en cada iteración. El primero se denomina mejor marca personal (pbest). Este es el mejor valor obtenido hasta ahora por cualquier partícula de 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). Posteriormente, 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 la 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.

Para mejorar el rendimiento del modelo SVR se necesita una delimitación cautelosa de los parámetros involucrados en el modelo SVR. La solidez del modelo SVR depende de la elección precisa de C, \(\gamma\) y \(\varepsilon\). Sin embargo, estos parámetros, que tienen una amplia gama, 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 solución mediante métodos de optimización. La integración del modelo SVR con PSO y con los 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 para el 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 determinar que los modelos se ajustan a datos aceptables en función de las métricas de evaluación de modelos utilizadas para obtener un resultado computacional confiable y sólido de los datos desconocidos. Sin embargo, en la validación de datos se producen problemas de sobreajuste y de mínimos locales. Por tanto, el desempeño de la fase de aprendizaje podría ser insatisfactorio. Esto es especialmente cuando el análisis aborda 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. En este caso, se utilizó el enfoque k-fold para revocar 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 fueron preprocesados ​​y normalizados de acuerdo con la ecuación. (dieciséis). La normalización de datos se realizó antes del entrenamiento del modelo y generalmente mejora la eficiencia de los modelos predictivos. El trabajo actual introdujo el modelo SVR junto con los 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 comportamientos tribológicos es importante. Sin embargo, la creación de un modelo confiable 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 máximos y mínimos, respectivamente.

Generalmente, el desempeño de la eficiencia del modelo debe incluir al menos una métrica de bondad de ajuste y al menos una métrica 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 modelos de métricas de evaluación de los métodos de computación blanda. R2, R, RMSE y MAPE se detallan 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, predicho, promedio real y promedio predicho, respectivamente.

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

Artículo CAS Google Scholar

Bijwe, J., Logani, CM y Tewari, EE. UU. Influencia de los rellenos y el refuerzo de fibras en la resistencia al desgaste abrasivo de algunos compuestos poliméricos. Use 138, 77–92 (1990).

Artículo CAS Google Scholar

Khedkar, J., Negulescu, I. & Meletis, EI Comportamiento del desgaste por deslizamiento de compuestos de PTFE. Use 252, 361–369 (2002).

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

Harsha, AP y Tewari, EE. UU. Resistencia al desgaste abrasivo de compuestos de polisulfona reforzados con fibra de vidrio. Indio J. Ing. Madre. 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 en contacto seco de rodadura y deslizamiento. Tríbol. En t. 32, 107-116 (1999).

Artículo CAS Google Scholar

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

Google Académico

Unal, H., Yetgin, SH, Mimaroglu, A. & Sumer, M. El efecto de los parámetros de prueba sobre la fricción y el desgaste de PTFE y compuestos de PTFE. J. Reinf. Plast. Compos. 29, 1978-1986 (2010).

Artículo CAS Google Scholar

Şahin, Y. & Mirzayev, H. Características de desgaste de compuestos a base de polímeros. Mec. Compos. Madre. 51, 543–554 (2015).

Artículo ADS CAS Google Scholar

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 la fibra de carbono. Compos. Interfaces 25, 995–1004 (2018).

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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

Artículo CAS Google Scholar

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

Artículo ADS CAS Google Scholar

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

MathSciNet MATEMÁTICAS Google Scholar

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

CAS Google Académico

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

Google Académico

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

Google Académico

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

Artículo ADS CAS Google Scholar

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

Artículo CAS Google Scholar

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 utilizando análisis relacional de grises basado en Taguchi. Proc. IMechE Parte B J. Eng. Fabricante. 229, 229–237 (2015).

Artículo de Google Scholar

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

Artículo de Google Scholar

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

ADS del artículo Google Scholar

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

Artículo de Google Scholar

Zhang, Z., Friedrich, K. & Velten, K. Predicción de propiedades tribológicas de compuestos de fibras cortas utilizando redes neuronales artificiales. Use 252, 668–675 (2002).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Jiang, Z., Zhang, Z. y Friedrich, K. Predicción de las propiedades de desgaste de compuestos poliméricos con redes neuronales artificiales. Compos. Ciencia. Tecnología. 67, 168-176 (2007).

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

Haghighat Mesbahi, A., Semnani, D. & 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 difusa (ANFIS). Compos. Parte B Ing. 43, 549–558 (2012).

Artículo CAS Google Scholar

Ray, S. Un análisis comparativo de las características de desgaste por abrasión de compuestos de vidrio / poliéster rellenos de desechos industriales basado en el diseño de un experimento y una red neuronal. Polimero. Compos. 20, 1-15. https://doi.org/10.1002/pc.25836 (2020).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Bhattacharyya, P. & Sanadhya, SK Evaluación del desgaste de herramientas basada en regresión de vectores de soporte en planeado. Proc. IEEE Internacional. Conf. Tecnología industrial. 20, 2468–2473. https://doi.org/10.1109/ICIT.2006.372659 (2006).

Artículo de Google Scholar

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

Artículo ADS CAS PubMed PubMed Central Google Scholar

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

Google Académico

Chowdhury, MA y cols. Investigación experimental del coeficiente de fricción y la tasa de desgaste de materiales compuestos que se deslizan contra superficies de acero dulce lisas y rugosas. Tríbol. Indiana 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 polipropileno/ceniza de hueso carbonizado. 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. y Kumareshbabu, SP Investigación sobre el comportamiento de desgaste abrasivo de dos cuerpos de compuestos epoxi-tela de vidrio rellenos de carburo de silicio. J. Minero. Madre. 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 lleno de nanopartículas de TiO2, ZnO, CuO y SiC. Use 258, 1411-1421 (2005).

Artículo CAS Google Scholar

Schwartz, CJ y Bahadur, S. El papel de la deformabilidad del relleno, la unión entre relleno y polímero y el material de contracara en el comportamiento tribológico del sulfuro de polifenileno (PPS). Use 251, 1532-1540 (2001).

Artículo de Google Scholar

Basavarajappa, S., Arun, KV y Davim, JP Efecto de los materiales de relleno sobre el comportamiento de desgaste por deslizamiento en seco de compuestos de matriz polimérica: un enfoque Taguchi. J. Minero. Madre. 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 fuerzas y vibraciones durante el fresado esférico preciso. Resumen. Ing. 51, 582–5596 (2018).

Artículo de Google Scholar

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

Artículo CAS Google Scholar

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 de nitruro de silicio. Madre. Res. Expreso 6, 106590 (2019).

Artículo ADS CAS Google Scholar

Yu, J., Kim, C.-H. y Rhee, S.-B. La comparación de la optimización de Harris Hawks propuesta recientemente y la optimización de Jaya para resolver el problema de coordinación de relés de sobrecorriente direccionales. 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 Acuático. Res. 35, 233–241 (1999).

ADS del artículo Google Scholar

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

Artículo de Google Scholar

Musa, B., Yimen, N., Abba, SI y Adun, HH Pronóstico de la demanda de carga en múltiples estados utilizando regresión de vectores de soporte híbridos integrados con un diseño óptimo de sistemas de energía fuera de la red: un enfoque metaheurístico. Procesos 20, 1166 (2021).

Artículo de Google Scholar

Zheng, B., Gao, F., Ma, X. & Zhang, X. Predicción inteligente del desgaste de motores de aviones basada en el SVR optimizado por GMPSO. Aplica. Ciencia. 11, 10592 (2021).

Artículo CAS Google Scholar

Kahhal, P., Ghasemi, M., Kashfi, M. y 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 Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

Altay, O., Gurgenc, T., Ulas, M. & Özel, C. Predicción de cantidades de pérdida por desgaste de recubrimientos de ferroaleaciones utilizando diferentes algoritmos de aprendizaje automático. Fricción 8, 107-114 (2020).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Abba, SI, et al. Modelado de sistemas inciertos: un estudio comparativo 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 Al Haji Ibrahim

Departamento de Ingeniería Mecánica, Facultad de Ingeniería, Universidad del Cercano Oriente, vía 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 Rey Fahd de Petróleo y Minerales, Dhahran, 31261, Arabia Saudita

SI Abba

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes 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 reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique 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 normativa legal o excede el uso permitido, deberá obtener 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. Representante científico 12, 10393 (2022). https://doi.org/10.1038/s41598-022-14629-5

Descargar cita

Recibido: 24 de febrero de 2022

Aceptado: 09 de junio de 2022

Publicado: 21 de junio de 2022

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

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

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

Proporcionado por la iniciativa de intercambio de contenidos 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.