Título
Inteligencia Artificial como Estrategia en la Predicción de la Conductividad Térmica en Compuestos de Polipropileno/Nanotubos de Carbono
Autor
Daniela Alejandra Abreu Caceres
Nivel de Acceso
Acceso Abierto
Materias
Resumen o descripción
La eficiencia de los materiales compuestos complejos es importante a la hora de optimizar y predecir sus propiedades térmicas y eléctricas, con el fin, de ahorrar recursos, gastos y tiempo invertido antes de su fabricación, por ello, se emplean herramientas tradicionales como lo son, el uso de modelos analíticos, estos modelos, resultan fáciles de analizar, sin embargo, presenta una baja predicción a comparación de los datos experimentales. El uso de herramientas más sofisticadas, como lo son, la inteligencia artificial y una de sus ramas, el aprendizaje de máquina, resultan ser más precisos a la hora de optimizar valores. En este trabajo se analizaron las conductividades térmicas y eléctricas de los compuestos presentados en diferentes concentraciones a través de modelos analíticos, los cuales resultaron subestimar los valores de k y sobreestimar los valores de σ, con sus respectivas excepciones. Esto puede sugerir que los modelos analíticos, no aproximan los valores obtenidos experimentalmente en todos los casos. También se desarrollaron redes neuronales artificiales (RNA) como modelos de predicción con el objetivo de aproximar la conductividad térmica del polipropileno (PP) adicionados con nanotubos de carbono de pared múltiple (MWCNT), implementando datos obtenidos experimentalmente. Los compuestos fueron preparados mediante mezclado en fundido, utilizando diferentes tipos de concentraciones (1, 2, 3 y 4%) tanto con el tratamiento, como sin el tratamiento de ultrasonido. Las RNA de tipo perceptrón multicapa (MLP), entrenadas mediante el algoritmo Levenberg-Marquardt y con 1 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 0.99 en los datos de prueba. Además, los modelos de predicción de la conductividad térmica basados en RNA se ajustaron en mayor medida a los datos experimentales en comparación con modelos analíticos reportados en la literatura.
Fecha de publicación
2022
Tipo de publicación
Tesis de maestría
Recurso de información
Formato
application/pdf
Repositorio Orígen
Repositorio Institucional del Centro de Investigación en Química Aplicada
Descargas
29