La Inteligencia Artificial inteligente hace todo tipo de formas por sí misma
El sistema de red neural artificial recomienda las condiciones del proceso de moldeo del plástico
El plástico es ligero, barato, y se puede hacer de cualquier forma si se calienta, lo que lo convierte en un "regalo del dios del siglo XX". La clave está en mantener su calidad uniforme, pero su sensibilidad a las condiciones de proceso hace difícil la autonomía de procesamiento. También lleva mucho tiempo cambiar el proceso una vez que se establece y la optimización en tiempo real se considera imposible debido a la diferencia de los resultados reales.
El equipo de investigación de POSTECH desarrolla un sistema de red neural artificial que recomienda las condiciones del proceso de moldeo del plástico.
POSTECH
Un equipo de investigación formado por el profesor Junsuk Rho y el estudiante de doctorado Chihun Lee de los departamentos de ingeniería mecánica y química de POSTECH y el profesor Seungchul Lee, Juwon Na en el programa integrado de MS-PhD con el profesor Seongjin Park en el Departamento de Ingeniería Mecánica han desarrollado conjuntamente un sistema que recomienda las condiciones de proceso para el moldeo por inyección combinando la red neuronal artificial (Artificial Neural Network) y una búsqueda aleatoria. Con este nuevo sistema se pueden obtener varias formas en tiempo real.
El equipo entrenó la relación entre las condiciones de proceso y los productos finales utilizando inteligencia artificial para encontrar las condiciones que satisfacen la calidad objetivo. Se obtuvieron y aprendieron 3.600 simulaciones y 476 experimentos de 36 moldes diferentes. Como resultado, el equipo confirmó que cada dato tenía 15 formas y cinco procesos como valor de entrada y el peso final del producto como valor de salida.
Sobre la base del modelo de predicción de peso entrenado mediante el aprendizaje por transferencia, se desarrolló un sistema de recomendación para encontrar las condiciones óptimas de los procesos mediante una búsqueda aleatoria. Aplicando las condiciones recomendadas por el modelo de IA, se logró un error relativo medio del 0,66%.
Finalmente, se desarrolló una GUI (interfaz gráfica de usuario) para las máquinas de inyección reales. Esto permite incluso a los no expertos introducir la información de forma de cualquier producto para establecer una condición de proceso que tenga un error dentro del 1% del peso del producto objetivo.
La investigación convencional predijo la calidad del producto objetivo cambiando únicamente las condiciones del proceso para un producto específico. Sin embargo, este estudio reunió información sobre los resultados (peso) de 36 productos de forma diferente al cambiar tanto las formas cuantificadas como las condiciones del proceso. Por lo tanto, incluso si se moldea un nuevo producto, las condiciones del proceso pueden controlarse sin tener que predecir los resultados o generar datos de aprendizaje simplemente introduciendo la forma del producto. Además, se introdujo el aprendizaje por transferencia para obtener tanto datos de simulación como la precisión de los datos experimentales.
Utilizando este sistema de red neuronal artificial recientemente desarrollado, incluso los no expertos pueden obtener resultados uniformes simplemente introduciendo la forma y el peso del producto final deseado. Se prevé que dicho sistema permitirá la implantación de una "fábrica inteligente no tripulada" en varias industrias manufactureras, permitiendo procesos de inyección de plástico, mecanización, impresoras 3D y fundición, que anteriormente eran un reto.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
