Comparison of two methods for predicting surface roughness in turning stainless steel AISI 316L

• Yoandrys Morales Tamayo ^[1] ; Yusimit Zamora Hernández ^[2] ; Roberto Félix Beltrán Reyna ^[3] ; Kimberly Magaly López Cedeño ^[1] ; Ringo John López Bustamante ^[1] ; Héctor Cochise Terán Herrera ^[3]
  1. [1] Universidad de Guayaquil

     Universidad de Guayaquil

     Guayaquil, Ecuador

     
  2. [2] Universidad De Granma

     Universidad De Granma

     Cuba

     
  3. [3] Escuela Politécnica del Ejército

     Escuela Politécnica del Ejército

     Sangolqui, Ecuador

     

  Mostrar afiliaciones +
• Localización: Ingeniare: Revista Chilena de Ingeniería, ISSN-e 0718-3305, ISSN 0718-3291, Vol. 26, Nº. 1, 2018, págs. 97-105
• Idioma: inglés
• Títulos paralelos:
  • Comparación de dos métodos para la predicción de la rugosidad superficial en el torneado del acero inoxidable AISI 316L
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El objetivo del presente estudio fue analizar varios modelos para predecir la rugosidad de la superficie en el torneado en seco de acero inoxidable AISI 316L. Los métodos de regresión múltiple y redes neuronales artificiales fueron aplicados para estudiar el efecto de la velocidad de corte, avance, y el tiempo de mecanizado. Con el fin de aumentar la fiabilidad y solidez de los valores de rugosidad superficial registrados fue implementado un diseño factorial completo. Se realizó una comparación estadística de los modelos resultantes. Los resultados producidos por ambos métodos muestran que la pueden ser utilizados para predecir la rugosidad superficial. Los resultados de los modelos de redes neuronales artificiales muestran una mayor precisión que los derivados de los modelos de regresión múltiple.

  • English

    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.