Modelo de máquinas de vectores de soporte para regresión aplicado a la estimación de la tensión de ruptura por termofluencia en aceros ferríticos

Autores/as

  • Carlos Alberto Donís-Díaz Universidad Central de Las Villas
  • Eduardo Valencia Morales Universidad Central de Las Villas
  • Carlos Morell Pérez Universidad Central de Las Villas

DOI:

https://doi.org/10.17533/udea.redin.16683

Palabras clave:

Termofluencia, aceros ferríticos, máquina de vectores de soporte, redes neuronales.

Resumen

Teniendo como antecedente el empleo de Redes Neuronales en el pronóstico de la tensión de ruptura por termofluencia (creep) en aceros ferríticos, en el presente trabajo se realizan nuevos experimentos, utilizando un método de reciente desarrollo dentro del campo del aprendizaje automatizado: las Máquinas de Vectores de Soporte para Regresión (SVMR). Se realizó un análisis comparativo entre ambos métodos obteniéndose resultados satisfactorios por parte de este último. Los resultados son fundamentados teóricamente proponiéndose al final, el empleo de un modelo de SVMR que utiliza un kernel polinomial de grado 3 y constante de regularización igual a 100 para estimar la tensión de ruptura por creep.

|Resumen
= 256 veces | PDF
= 43 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Carlos Alberto Donís-Díaz, Universidad Central de Las Villas

Centro de Estudios de Informática (CEI).

Eduardo Valencia Morales, Universidad Central de Las Villas

Centro de Estudios de Informática (CEI).

Carlos Morell Pérez, Universidad Central de Las Villas

Centro de Estudios de Informática (CEI).

Citas

D. J. C. MacKay. “Bayesian Methods for Neural Networks: Theory and Applications”. Neural Networks Summer School. Cambridge University. U.K. 1995. pp. 15-24.

H. K. D. H. Bhadeshia, T. Sourmail. Japan Society for the Promotion of Science, Committee on Heat– Resisting Materials and Alloys. Vol. 44. 2003. pp. 299–314.

F. Masuyama, H. K. Bhadeshia. “Creep strength of high CR Ferritic Steels designed using neural networks and phase stability calculations”. Fifth International Conference on Advances in Materials Technology for Fossil Power Plants October 3-5 (2007). 4B-01. EPRI. Palo Alto. California. 2007.

http://www.msm.ac.uk./map/map.html Consultada el 20 de enero de 2008.

F. Brun, T. Yoshida, J. D. Robson, V. Narayan, H. K. D. H. Bhadeshia, D. J. C. MacKay. “Theoretical design of ferritic creep resistant steels using neural network, kinetic, and thermodynamic models”. Materials Science and Technology. Vol. 15. 1999. pp. 547-554. DOI: https://doi.org/10.1179/026708399101506085

D. Cole, C. Martin-Moran, A.G. Sheard, H. K. Bhadeshia, D. J. C MacKay. “Modelling creep rupture strength of ferritic steel welds”. Science and Technology of Welding and Joining. Vol. 5. 2000. pp. 81-89. DOI: https://doi.org/10.1179/136217100101538065

A. J. Smola, B. Schölkopf. “A tutorial on Support Vector Regression”. Neuro COLT2 Technical Report Series. NC2-TR-1998-030. 1998. pp. 4-18.

B. M. del Brío, A. S. Molina. Redes Neuronales y Sistemas Difusos. Ed. Alfaomega. Zaragoza. 2001. pp. 76-78.

S. Haykin. Neural Networks. A Comprehensive Foundation. 2a ed. Ed. Prentice-Hall. New York. 1994. 1999. pp. 156-255.

Descargas

Publicado

2013-09-18

Cómo citar

Donís-Díaz, C. A., Valencia Morales, E. ., & Morell Pérez, C. (2013). Modelo de máquinas de vectores de soporte para regresión aplicado a la estimación de la tensión de ruptura por termofluencia en aceros ferríticos. Revista Facultad De Ingeniería Universidad De Antioquia, (47), 53–58. https://doi.org/10.17533/udea.redin.16683