Optimización de los parámetros del proceso de inyección de plásticos a través de un híbrido de redes neuronales artificiales y el algoritmo de la colonia artificial de abejas
DOI:
https://doi.org/10.17533/udea.redin.16309Palabras clave:
algoritmo de la Colonia Artificial de Abejas, redes neuronales artificiales, inyección de plásticos, optimización de los parámetros del proceso, simulación de elemento finitoResumen
Este estudio presenta un híbrido de redes neuronales artificiales con el algoritmo de la colonia artificial de abejas para optimizar los parámetros del proceso de inyección de plásticos con el objetivo de minimizar la deformación en productos plásticos. Una red neuronal de propagación hacia adelante es empleada para obtener una relación matemática entre los parámetros del proceso y el objetivo a optimizar. El algoritmo de la colonia artificial de abejas es usado para encontrar el conjunto óptimo de valores de los parámetros que resultarían en la solución óptima. Un caso experimental es presentado acoplando simulaciones de Moldflow junto con los esquemas mencionados con el fin de validar el enfoque propuesto. La temperatura del plástico, temperatura del molde, presión de empaque, tiempo de empaque, y tiempo de enfriamiento son consideradas como las variables de diseño. Los resultados revelan que el enfoque propuesto puede eficientemente apoyar a ingenieros a determinar los parámetros óptimos y alcanzar ventajas competitivas en términos de calidad y costos.
Descargas
Citas
S. Mok, C. Kwong, W. Lau. “A Hybrid Neural Network and Genetic Algorithm Approach to the Determination of Initial Process Parameters for Injection Molding”. The International Journal of Advanced Manufacturing Technology. Vol. 18. 2001. pp. 404-409. DOI: https://doi.org/10.1007/s001700170050
H. Kurtaran, B. Ozcelik, T. Erzurumlu. “Warpage optimization of a bus ceiling lamp base using neural network model and genetic algorithm”. Journal of Materials Processing Technology. Vol. 169. 2005. pp. 314-319. DOI: https://doi.org/10.1016/j.jmatprotec.2005.03.013
R. Spina. “Optimization of injection molded parts by using ANN-PSO approach”. Journal of Achievements in Materials and Manufacturing Engineering. Vol. 15. 2006. pp. 146-152.
H. Kurtaran, T. Erzurumlu. “Efficient warpage optimization of thin shell plastic parts using response surface methodology and genetic algorithm”. International Journal of Advanced Manufacturing Technology. Vol. 27. 2006. pp. 468-472. DOI: https://doi.org/10.1007/s00170-004-2321-2
B. Ozcelik, T. Erzurumlu. “Comparison of the warpage optimization in the plastic injection molding using ANOVA, neural network and genetic algorithm”. Journal of Materials Processing Technology. Vol. 171. 2006. pp. 437-445. DOI: https://doi.org/10.1016/j.jmatprotec.2005.04.120
C. Shen, L. Wang, Q. Li. “Optimization of injection molding process parameters using combination of artificial neural networks and genetic algorithm method”. Journal of Materials Processing Technology. Vol. 183. 2007. pp. 412-418. DOI: https://doi.org/10.1016/j.jmatprotec.2006.10.036
W. Deng, C. Chen, C. Sun, W. Chen, C. Chen. “An effective approach for process parameter optimization in injection molding of plastic housing components”. Polymer-Plastics Technology and Engineering. Vol. 47. 2008. pp. 910-919. DOI: https://doi.org/10.1080/03602550802189142
Y. Gao, X. Wang. “An effective warpage optimization method in injection molding based on the Kriging model”. International Journal of Advanced Manufacturing Technology. Vol. 37. 2008. pp. 953-960. DOI: https://doi.org/10.1007/s00170-007-1044-6
W. Chen, G. Fu, P. Tai, W. Deng. “Process parameter optimization for MIMO plastic injection molding via soft computing”. Expert Systems with Applications. Vol. 36. 2009. pp. 1114-1122. DOI: https://doi.org/10.1016/j.eswa.2007.10.020
Y. Gao, X. Wang. “Surrogate-based process optimization for reducing warpage in injection molding”. Journal of Materials Processing Technology. Vol. 209. 2009. pp. 1302-1309. DOI: https://doi.org/10.1016/j.jmatprotec.2008.03.048
M. Altan. “Reducing shrinkage in injection moldings via the Taguchi, ANOVA and neural network methods”. Materials and Design. Vol. 31. 2010. pp. 599-604. DOI: https://doi.org/10.1016/j.matdes.2009.06.049
Y. Deng, Y. Zhang, Y. Lam. “A hybrid of mode-pursuing sampling method and genetic algorithm for minimization of injection molding warpage”. Materials and Design. Vol. 31. 2010. pp. 2118-2123. DOI: https://doi.org/10.1016/j.matdes.2009.10.026
B. Farshi, S. Gheshmi, E. Miandoabchi. “Optimization of injection molding process parameters using sequential simplex algorithm”. Materials and Design. Vol. 32. 2001. pp. 414-423. DOI: https://doi.org/10.1016/j.matdes.2010.06.043
F. Huang. “Optimization of Processing Parameters in Injection Molding based on Adaptive Ant Colony Algorithm”. Advanced Materials Research. Vol. 179- 180. 2011. pp. 304-310. DOI: https://doi.org/10.4028/www.scientific.net/AMR.179-180.304
F. Yin, H. Mao, L. Hua. “A hybrid of back propagation neural network and genetic algorithm for optimization of injection molding process parameters”. Materials and Design. Vol. 32. 2011. pp. 3457-3464. DOI: https://doi.org/10.1016/j.matdes.2011.01.058
D. Karaboga, B. Basturk. “A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm”. Journal of Global Optimization. Vol. 39. 2007. pp. 459-471. DOI: https://doi.org/10.1007/s10898-007-9149-x
W. Chen, P. Tai, M. Wang, W. Deng, C. Chen. “A neural network-based approach for dynamic quality prediction in a plastic injection molding process”. Expert systems with Applications. Vol. 35. 2008. pp. 843-849. DOI: https://doi.org/10.1016/j.eswa.2007.07.037
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter