⚡ electrical engineering

Predicting the process parameters for torque and thrust force in wood plastic composite drilling using machine learning algorithms

Este estudio utiliza experimentos de taladrado basados en la metodología Taguchi y algoritmos de aprendizaje automático para demostrar que el avance es el factor dominante que afecta la fuerza de empuje y el par de torsión en el taladrado de compuestos de madera y plástico, siendo el modelo de Bosque Aleatorio el que surge como el predictor más preciso para optimizar los parámetros del proceso con el fin de minimizar estas fuerzas.

Autores originales: Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

Publicado 2026-09-04

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La madera ha servido a la humanidad durante milenios, valorada por su resistencia y versatilidad para construir desde refugios simples hasta maquinaria compleja. Sin embargo, a medida que los bosques enfrentan la presión de la deforestación y crece la demanda de materiales sostenibles, los ingenieros han recurrido a una alternativa moderna: el compuesto de madera y plástico. Este material es una mezcla de fibras de madera, como serrín o harina de bambú, mezcladas con plástico fundido y diversos aditivos para crear un producto duradero y resistente a la intemperie. Ahora es un elemento común en terrazas, cercas y muebles, ofreciendo la apariencia de la madera sin la misma susceptibilidad a la pudrición o a los insectos. No obstante, trabajar con este compuesto presenta un desafío único. Debido a que es una mezcla de fibras rígidas y plástico flexible, se comporta de manera diferente al corte en comparación con la madera sólida o el metal. Perforar agujeros en él —un paso necesario para el ensamblaje— puede causar daños fácilmente. Si el proceso de perforación no se controla cuidadosamente, el material puede agrietarse, las fibras pueden desprenderse o las capas pueden separarse, arruinando la resistencia y la apariencia del producto final. La clave para evitar este daño reside en comprender las fuerzas en juego: la presión descendente que ejerce la broca y la fuerza de torsión necesaria para hacerla girar.

En un estudio reciente, los investigadores se propusieron dominar estas fuerzas enseñando a una computadora a predecir exactamente cuánta presión y torsión ocurrirán durante el proceso de perforación. El equipo, basado en facultades de ingeniería en la India, se centró en un tipo específico de compuesto de madera y plástico hecho de fibras de madera y termoplástico. Querían encontrar los ajustes perfectos para una broca para minimizar el estrés sobre el material. Para hacer esto, trataron el proceso de perforación como una serie de experimentos controlados. Utilizaron una máquina controlada por computadora para perforar agujeros en paneles del material compuesto, cambiando sistemáticamente tres variables principales: qué tan rápido giraba la broca, qué tan rápido avanzaba hacia el interior del material y el tamaño de la broza o broca en sí. Probaron estas variables a través de un amplio rango de valores, desde velocidades lentas hasta rápidas, y desde brocas pequeñas hasta más grandes. Para cada combinación de ajustes, midieron la fuerza descendente exacta y el torque de torsión generado, repitiendo cada prueba tres veces para asegurar que los resultados fueran fiables.

Los investigadores analizaron luego estas mediciones para ver qué variable era la más importante. Descubrieron que la velocidad a la que la broca se movía hacia adelante era el factor más importante, representando más del sesenta por ciento de los cambios tanto en la fuerza descendente como en el torque de torsión. El tamaño de la broca fue el siguiente factor más significativo, mientras que la velocidad de giro de la broca tuvo un efecto menor, aunque todavía notable. En general, encontraron que mover la broca más rápido hacia el material aumentaba las fuerzas, mientras que hacer girar la broca más rápido en realidad ayudaba a reducirlas. Esto se debe a que un giro más rápido genera calor que ablanda el componente plástico del compuesto, facilitando el corte. Al combinar estos hallazgos con un tipo específico de algoritmo computacional conocido como bosque aleatorio (random forest), el equipo construyó un modelo que podía predecir las fuerzas con una precisión notable. Este modelo aprendió de los datos experimentales para reconocer patrones, permitiéndole estimar las fuerzas para cualquier nuevo conjunto de condiciones de perforación sin necesidad de realizar primero una prueba física.

Los resultados mostraron que este enfoque basado en computación fue altamente efectivo. El modelo predijo con éxito la fuerza descendente y el torque de torsión con una precisión que superó el noventa y nueve por ciento en comparación con las mediciones físicas reales. Este nivel de precisión significa que los fabricantes podrían usar tal sistema para determinar los mejores ajustes de perforación antes de siquiera tocar el material, asegurando que los agujeros sean limpios y que los paneles de compuesto permanezcan sin daños. El estudio confirmó que, mediante la selección cuidadosa de la velocidad de la broca, la velocidad de avance y el tamaño de la broca, es posible perforar compuestos de madera y plástico sin causar la delaminación o los defectos superficiales que a menudo plagan a la industria. Aunque los investigadores señalaron que su trabajo se limitaba a brocas específicas y condiciones de perforación en seco, el éxito de su enfoque de aprendizaje automático sugiere un camino claro a seguir. Demuestra que, al permitir que los algoritmos aprendan de los datos, los ingenieros pueden optimizar los procesos de fabricación para estos materiales complejos y ecológicos, asegurando que funcionen tan bien en el mundo real como lo hacen en el laboratorio.

Resumen Técnico: Predicción de Parámetros de Proceso para el Torque y la Fuerza de Empuje en el Taladrado de Compuestos de Madera y Plástico mediante Algoritmos de Aprendizaje Automático

Planteamiento del Problema
Los compuestos de madera y plástico (WPC, por sus siglas en inglés) se han vuelto cada vez más frecuentes en aplicaciones domésticas e industriales, incluyendo interiores de automóviles, suelos y mobiliario, debido a su durabilidad, respeto al medio ambiente y rentabilidad. Sin embargo, el mecanizado de estos materiales, particularmente el taladrado, presenta desafíos significativos. La naturaleza anisotrópica y estratificada del WPC provoca defectos como delaminación, extracción de fibras, microfisuración y un acabado superficial deficiente cuando se generan un exceso de fuerza de empuje ( $F_z$ ) y torque ( $F_t$ ). Estos defectos comprometen la integridad estructural y la calidad estética del producto final. Existen métodos estadísticos tradicionales como la Metodología de Superficie de Respuesta (RSM), pero estos suelen carecer de la flexibilidad para generalizarse a través de diferentes materiales o condiciones de proceso. Existe una necesidad reconocida de modelos precisos basados en datos para predecir $F_z$ y $F_t$ con el fin de optimizar los parámetros del proceso, minimizar los defectos y mejorar la eficiencia de la producción en la fabricación de WPC.

Metodología
El estudio empleó un enfoque sistemático que combina el diseño experimental, el análisis estadístico y el modelado de aprendizaje automático (ML):

Diseño Experimental: Los experimentos de taladrado se realizaron en paneles de WPC (compuestos por 40% de fibras de madera, 54% de termoplástico y 6% de aditivos) utilizando un centro de mecanizado vertical CNC. El estudio utilizó la matriz ortogonal $L_{27}$ de Taguchi para investigar los efectos de tres parámetros de entrada: Velocidad del Husillo ( $N$ ), Velocidad de Avance ( $f$ ) y Diámetro de la Broca ( $d$ ).
- Rangos: $N$ (1000–3000 rpm), $f$ (75–225 mm/min) y $d$ (6, 8 y 10 mm).
- Herramientas: Se utilizaron brocas de punta de centro Brad (acero al carbono con acabado de aluminio).
- Medición: Un dinamómetro multicomponente Kistler (Modelo 9277B) midió $F_z$ y $F_t$ . Cada una de las 27 corridas experimentales se repitió tres veces, resultando en un conjunto de datos de 81 puntos.
Análisis Estadístico: Se realizó un Análisis de Varianza (ANOVA) para determinar la significancia de los parámetros de entrada y sus interacciones sobre las respuestas de salida.
Modelado de Aprendizaje Automático: Se desarrollaron y compararon tres algoritmos de aprendizaje de conjunto para predecir $F_z$ y $F_t$ :
- Extra Trees Regressor: Utilizado por su capacidad para manejar datos con ruido mediante la aleatorización extrema.
- Bagging con Árboles de Decisión: Empleado para reducir la varianza promediando las predicciones de subconjuntos de submuestreo (bootstrapped).
- Random Forest Regressor: Utilizado por su robustez para capturar correlaciones no lineales mediante la selección aleatoria de características en la división de nodos.
Evaluación: El conjunto de datos se dividió en un 70% para entrenamiento y un 30% para prueba. El rendimiento del modelo se evaluó utilizando seis métricas: Error Porcentual Absoluto Medio (MAPE), Diferencia Absoluta Media (MAD), Error Cuadrático Medio (RMSE), Error Estándar (SE), Error Cuadrático Medio (MSE) y el Coeficiente de Determinación ( $R^2$ ).

Resultados Clave

Influencia de los Parámetros de Proceso: Los resultados del ANOVA identificaron la Velocidad de Avance ( $f$ ) como el factor más dominante que influye tanto en la fuerza de empuje como en el torque.
- Para la Fuerza de Empuje ( $F_z$ ): La Velocidad de Avance contribuyó con un 65.16%, el Diámetro de la Broca con un 27.33% y la Velocidad del Husillo con un 4.90%.
- Para el Torque ( $F_t$ ): La Velocidad de Avance contribuyó con un 64.41%, el Diámetro de la Broca con un 20.39% y la Velocidad del Husillo con un 12.84%.
- Las condiciones óptimas para minimizar las fuerzas se encontraron en 3000 rpm, 75 mm/min y un diámetro de broca de 6 mm. Por el contrario, las fuerzas más altas ocurrieron a 1000 rpm, 225 mm/min y 10 mm de diámetro.
Rendimiento del Modelo: Los tres modelos de ML demostraron una alta capacidad predictiva, con valores de $R^2$ superiores a 0.988. Sin embargo, el modelo Random Forest superó consistentemente a los demás:
- Fuerza de Empuje ( $F_z$ ): Random Forest logró un $R^2$ de 0.998, un MAPE de 1.601 y un RMSE de 0.275.
- Torque ( $F_t$ ): Random Forest logró un $R^2$ de 0.997, un MAPE de 0.718 y un RMSE de 0.1406.
- El modelo Random Forest también exhibió los errores de predicción con la distribución normal más consistente, validado mediante gráficos de normalidad de Anderson-Darling, lo que indica una mayor fiabilidad en comparación con Bagging y Extra Trees.

Significación y Reivindicaciones
Los autores afirman que este estudio proporciona un enfoque novedoso para evaluar e identificar los parámetros de proceso adecuados para minimizar la fuerza de empuje y el torque durante el taladrado de compuestos WPC. Al demostrar que los modelos de aprendizaje automático, específicamente Random Forest, pueden predecir con precisión las fuerzas de mecanizado basadas en los parámetros de entrada, la investigación ofrece una herramienta para mejorar la eficiencia de la producción y optimizar los recursos. El estudio sostiene que el desarrollo de tales modelos de pronóstico precisos es crucial para mejorar la productividad industrial y asegurar la calidad de las uniones mecánicas en aplicaciones de WPC. El trabajo establece una base para el uso de métodos basados en datos para reemplazar o complementar el modelado empírico tradicional en el mecanizado de materiales compuestos.

Direcciones Futuras
El artículo sugiere que trabajos futuros podrían ampliar el alcance mediante la estimación de indicadores de calidad adicionales (como el factor de delaminación, rugosidad superficial, circularidad y errores de cilindricidad), probar diferentes materiales y geometrías de herramientas, explorar la Lubricación de Cantidad Mínima (MQL) para reducir la temperatura y el desgaste, y comparar el taladrado tradicional con el Mecanizado por Chorro de Agua Alternativo (AWJM).

Más como este