Machine learning enables roughness-driven inverse design of milling processes

Resumen Técnico: Diseño Inverso Impulsado por Aprendizaje Automático para Procesos de Fresado

Planteamiento del Problema
El artículo aborda el desafío del diseño inverso en los procesos de fresado, específicamente la tarea de determinar parámetros óptimos de mecanizado y de la herramienta para lograr una rugosidad superficial objetivo. Si bien los modelos predictivos directos (que mapean los parámetros hacia la rugosidad) están bien establecidos, el diseño inverso se complica por el mapeo de "muchos a uno" inherente a los datos de mecanizado. Múltiples combinaciones distintas de parámetros de entrada (por ejemplo, velocidad de corte, avance, geometría de la herramienta) pueden producir resultados de rugosidad superficial idénticos o casi idénticos debido a interacciones complejas y no lineales y efectos compensatorios. Entrenar directamente modelos de aprendizaje automático (ML) intercambiando entradas y salidas a menudo conduce a predicciones "promediadas" que no representan conjuntos de parámetros físicamente factibles u óptimos. Además, la escasez de conjuntos de datos experimentales de alta calidad para entrenar modelos de ML robustos constituye una barrera significativa.

Metodología
Los autores proponen un marco que acopla modelos de ML entrenados de forma directa con la Optimización Bayesiana (BO) para resolver el problema del diseño inverso sin depender del entrenamiento de un modelo inverso directo. La metodología avanza a través de las siguientes etapas:

1. Generación de Conjunto de Datos Sintéticos:

   • Se emplea un marco computacional de alta fidelidad basado en un Método de Solución Directa (FSM) para generar un conjunto de datos de 10,000 muestras.
   • El FSM discretiza el filo de corte, la pieza de trabajo y el tiempo para simular la topografía de la superficie. Considera ecuaciones cinemáticas que involucran seis parámetros de entrada: velocidad de corte ($v_c$), avance ($f_z$), número de insertos ($z$), radio del inserto ($r_i$), error de excentricidad radial ($\varepsilon_r$) y error de excentricidad axial ($\varepsilon_a$).
   • Los resultados son la rugosidad superficial promedio ($S_a$) y la altura máxima de la superficie ($S_z$).
   • El modelo computacional se valida frente a datos experimentales de fresado frontal de hierro fundido gris HT300, mostrando un error relativo promedio de aproximadamente el 7%.

2. Análisis de Multiplicidad:

   • Un análisis exploratorio utilizando el Agrupamiento Espacial de Aplicaciones con Ruido Basado en Densidad (DBSCAN) confirma la existencia de relaciones de muchos a uno. Se demuestra que distintas configuraciones de entrada producen características superficiales similares, validando la necesidad de evitar la regresión inversa directa.

3. Entrenamiento del Modelo Directo:

   • Se entrenan dos modelos de ML en el conjunto de datos sintéticos para aprender el mapeo directo (parámetros $\to$ rugosidad):
     • Red Neuronal Profunda (DNN): Una red totalmente conectada con una arquitectura en forma de embudo (tres capas ocultas: 512, 256, 128 nodos) utilizando activación ReLU, normalización por lotes (batch normalization) y dropout.
     • Bosque Aleatorio (RF): Un ensamble de árboles de decisión.
   • Ambos modelos se optimizan mediante Optuna para el ajuste de hiperparámetros (por ejemplo, tasa de aprendizaje, profundidad, número de árboles) tanto para escenarios de salida única ($S_a$) como de salida múltiple ($S_a, S_z$). El modelo RF generalmente demostró un Error Cuadrático Medio (MSE) de validación menor que el de la DNN.

4. Diseño Inverso mediante Optimización Bayesiana:

   • Los modelos de ML entrenados sirven como proxies diferenciables y rápidos dentro de un bucle de Optimización Bayesiana.
   • El objetivo es minimizar la desviación entre la rugosidad predicha y un objetivo especificado por el usuario.
   • Para abordar la tendencia de la BO a converger en óptimos locales y la naturaleza discreta de los parámetros de la herramienta, el marco enumera explícitamente las variables discretas (número de insertos y radio) y ejecuta optimizaciones separadas para cada combinación. También se incorpora una penalización de diversidad para fomentar una exploración más amplia del espacio de parámetros continuos.

Resultados Clave
El marco fue evaluado a través de dos estudios de caso dirigidos a diferentes regiones de la distribución de rugosidad:

• Caso 1 (Baja Rugosidad): Objetivo $S_a = 2$, $S_z = 10$. El marco identificó con éxito soluciones factibles diversas. El modelo RF logró un error relativo promedio de 2.12% para $S_a$ y 1.93% para $S_z$ frente a la referencia computacional, superando a la DNN (4.96% y 3.74%, respectivamente).
• Caso 2 (Alta Rugosidad): Objetivo $S_a = 6$, $S_z = 33$. A pesar de la distribución de datos más dispersa en esta región, el marco identificó conjuntos de parámetros válidos. El modelo RF mantuvo una alta precisión con errores relativos promedio de 1.1% para $S_a$ y 2.7% para $S_z$.

En ambos escenarios, los mejores candidatos de diseño alcanzaron errores relativos promedio inferiores al 5% en comparación con los resultados computacionales de referencia. El estudio demuestra que el modelo RF generalmente proporciona una precisión predictiva y robustez superiores en comparación con la DNN en este contexto específico.

Significancia y Reivindicaciones
El artículo afirma presentar una metodología robusta para el diseño inverso de procesos de fresado que supera las limitaciones de los mapeos de muchos a uno. Al integrar modelos de ML directos con Optimización Bayesiana, el enfoque evita los problemas de las predicciones promediadas inherentes a la regresión inversa directa. El marco identifica con éxito combinaciones diversas y óptimas de parámetros de mecanizado y de la herramienta para cumplir con objetivos específicos de calidad superficial.

Los autores enfatizan que el método propuesto es particularmente valioso para reducir el ensayo y error en el diseño de fabricación. Señalan que, si bien el estudio actual depende de datos sintéticos generados a partir de un modelo geométrico, el marco es lo suficientemente flexible como para incorporar restricciones adicionales (por ejemplo, selecciones de herramientas específicas o la omisión de errores de excentricidad) y podría extenderse para incluir fenómenos físicos como fuerzas de corte o vibraciones en trabajos futuros. El trabajo concluye que este flujo de diseño inverso impulsado por ML ofrece una vía fiable para determinar los parámetros del proceso con errores de predicción aceptables, facilitando una planificación de fabricación más eficiente e inteligente.