Search
Author: Edgar Miguel García Carrillo
Edgar Miguel García Carrillo (2022)
En el diseño de compuestos poliméricos, es de gran interés poder predecir y optimizar sus propiedades térmicas, eléctricas y mecánicas, antes de su fabricación, con el fin de reducir el trabajo experimental y de obtener materiales con mejor desempeño para diversas aplicaciones. Sin embargo, esta tarea es complicada debido al comportamiento complejo y no lineal de las propiedades de los compuestos. En este trabajo se desarrollaron redes neuronales artificiales (RNA) como modelos de predicción con el objetivo de aproximar la conductividad térmica, la conductividad eléctrica y las propiedades de tensión de compuestos de polietileno de alta densidad (HDPE) adicionados con partículas de carbono (PC). En la implementación de estos modelos se utilizaron datos obtenidos experimentalmente. Los compuestos fueron preparados mediante mezclado en fundido, utilizando cuatro tipos de partículas de carbono de distinta geometría a diferentes concentraciones. Las RNA de tipo perceptrón multicapa (MLP), entrenadas mediante el algoritmo Levenberg-Marquardt y con una sola capa oculta mostraron el mejor desempeño predictivo. Los modelos de RNA mostraron una buena correlación entre los datos experimentales y simulados, lo cual está evidenciado por factores de correlaciones superiores a 0.97 en los datos de prueba. Además, los modelos de predicción de la conductividad térmica y del módulo elástico basados en RNA se ajustaron en mayor medida a los datos experimentales en comparación con modelos analíticos reportados en la literatura. También, se determinó el impacto relativo de cada variable de entrada sobre las propiedades de los compuestos, a través del tratamiento de los pesos sinápticos de las RNA mediante el método connection weight. Las ecuaciones derivadas de las RNA se utilizaron como funciones de ajuste de un algoritmo genético multi- objetivo (MOGA) con el fin de optimizar los parámetros de diseño que permiten maximizar la conductividad térmica y el módulo elástico, así como minimizar la conductividad eléctrica de los compuestos. Como resultado de la optimización, se obtuvo un conjunto de soluciones óptimas que pertenecen a la frontera de Pareto.
Como resultado de la optimización, se obtuvo un conjunto de soluciones óptimas que pertenecen a la frontera de Pareto. Una prueba de conformidad se llevó a cabo para validar la capacidad de optimización del método de algoritmos genéticos. Finalmente, este modelo podría ser adaptado para su aplicación en otras propiedades de compuestos, así como en un intervalo de variables extendido.
Doctoral thesis
Doctorado en tecnología de polímeros BIOLOGÍA Y QUÍMICA QUÍMICA QUÍMICA
Edgar Miguel García Carrillo (2022)
En el diseño de compuestos poliméricos, es de gran interés poder predecir y optimizar sus propiedades térmicas, eléctricas y mecánicas, antes de su fabricación, con el fin de reducir el trabajo experimental y de obtener materiales con mejor desempeño para diversas aplicaciones. Sin embargo, esta tarea es complicada debido al comportamiento complejo y no lineal de las propiedades de los compuestos. En este trabajo se desarrollaron redes neuronales artificiales (RNA) como modelos de predicción con el objetivo de aproximar la conductividad térmica, la conductividad eléctrica y las propiedades de tensión de compuestos de polietileno de alta densidad (HDPE) adicionados con partículas de carbono (PC). En la implementación de estos modelos se utilizaron datos obtenidos experimentalmente. Los compuestos fueron preparados mediante mezclado en fundido, utilizando cuatro tipos de partículas de carbono de distinta geometría a diferentes concentraciones. Las RNA de tipo perceptrón multicapa (MLP), entrenadas mediante el algoritmo Levenberg-Marquardt y con una sola capa oculta mostraron el mejor desempeño predictivo. Los modelos de RNA mostraron una buena correlación entre los datos experimentales y simulados, lo cual está evidenciado por factores de correlaciones superiores a 0.97 en los datos de prueba. Además, los modelos de predicción de la conductividad térmica y del módulo elástico basados en RNA se ajustaron en mayor medida a los datos experimentales en comparación con modelos analíticos reportados en la literatura. También, se determinó el impacto relativo de cada variable de entrada sobre las propiedades de los compuestos, a través del tratamiento de los pesos sinápticos de las RNA mediante el método connection weight. Las ecuaciones derivadas de las RNA se utilizaron como funciones de ajuste de un algoritmo genético multi- objetivo (MOGA) con el fin de optimizar los parámetros de diseño que permiten maximizar la conductividad térmica y el módulo elástico, así como minimizar la conductividad eléctrica de los compuestos. Como resultado de la optimización, se obtuvo un conjunto de soluciones óptimas que pertenecen a la frontera de Pareto. Una prueba de conformidad se llevó a cabo para validar la capacidad de optimización del método de algoritmos genéticos.
Finalmente, este modelo podría ser adaptado para su aplicación en otras propiedades de compuestos, así como en un intervalo de variables extendido.
Other
Doctoral Degree Work
Doctorado en tecnología de polímeros BIOLOGÍA Y QUÍMICA QUÍMICA QUÍMICA