⚡ ingeniería eléctrica

A back propagation neural network with improved sine cosine algorithm approach for multi-response drilling optimization of carbon fiber reinforced polymer (CFRP)

Este estudio propone un enfoque integrado que combina una Red Neuronal de Retropropagación con un Algoritmo Seno-Coseno Mejorado para predecir y optimizar los parámetros de taladrado de respuesta múltiple para polímeros reforzados con fibra de carbono, utilizando la selección de operadores adaptativos y la gestión de población para mejorar el rendimiento sobre los métodos estándar.

Autores originales: Rachmadi Norcahyo, Achmad Pratama Rifai, Setyo Tri Windras Mara, Bobby Oedy Pramoedyo Soepangkat, Mohammad Khoirul Effendi

Publicado 2026-09-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rachmadi Norcahyo, Achmad Pratama Rifai, Setyo Tri Windras Mara, Bobby Oedy Pramoedyo Soepangkat, Mohammad Khoirul Effendi

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

En el mundo de alto riesgo de la industria aeroespacial, donde cada onza de peso cuenta, los ingenieros confían en un material que es tan fuerte como el acero pero ligero como el aluminio: el polímero reforzado con fibra de carbono. Este material compuesto, hecho de hilos de carbono increíblemente finos unidos por una resina plástica, forma la columna vertebral de las alas y los fuselajes de las aeronaves modernas. Sin embargo, convertir estas láminas rígidas en piezas utilizables requiere perforar miles de agujeros para atornillar la estructura. Esta tarea, aparentemente sencilla, está plagada de peligros para el material. Debido a que las fibras son quebradizas y la resina de unión es blanda, el calor y la presión de una broca de taladro estándar pueden causar que las capas se separen o se agrieten, un daño conocido como delaminación. Una vez que ocurre este daño, la integridad estructural de todo el componente se ve comprometida, lo que podría conducir a un fallo catastrófico. El desafío para los fabricantes es encontrar la combinación perfecta de velocidad de taladrado, velocidad de avance y forma de la herramienta para realizar agujeros limpios sin arruinar el costoso material, un acto de equilibrio que durante mucho tiempo ha requerido de ensayo y error.

Para resolver este rompecabezas, un equipo de investigadores de Indonesia y Australia ha desarrollado una nueva estrategia digital que combina dos herramientas poderosas: un programa informático de aprendizaje y un algoritmo de búsqueda inteligente. Comenzaron realizando una serie de experimentos de taladrado en el mundo real sobre placas de fibra de carbono. Utilizando una máquina especializada, perforaron agujeros con dos tipos diferentes de brocas —un taladro de punta helicoidal estándar y un taladro de punta de brida— mientras cambiaban sistemáticamente la velocidad del taladro y la rapidez con la que se movía hacia el material. Por cada uno de los agujeros, midieron cuatro resultados críticos: la fuerza que empuja hacia abajo sobre la broca, el par de torsión necesario para girarla y el tamaño de las grietas que aparecieron tanto en la entrada como en la salida del agujero. También rastrearon la rapidez con la que se estaba eliminando el material. Estas mediciones físicas proporcionaron un rico conjunto de datos que reveló exactamente cómo los diferentes ajustes afectaban la calidad del agujero.

Los investigadores introdujeron luego estos datos experimentales en una red neuronal de retropropagación, un tipo de programa informático diseñado para aprender de ejemplos de forma muy similar a como un estudiante humano aprende de un libro de texto. Al analizar la relación entre los ajustes de taladrado y el daño resultante, la computadora construyó un modelo predictivo altamente preciso. Este modelo podía observar un nuevo conjunto de ajustes e instantáneamente predecir la fuerza, el par de torsión y los niveles de daño probables sin necesidad de taladrar un agujero físico. Sin embargo, saber cómo predecir el resultado es solo la mitad de la batalla; el objetivo real era encontrar el mejor conjunto de ajustes posible que minimizara el daño y maximizara la eficiencia. Para lograrlo, el equipo empleó una versión mejorada de un método de búsqueda llamado algoritmo de seno-coseno. Imagine un vasto paisaje de posibles ajustes, donde algunos puntos son seguros y otros son peligrosos. El algoritmo actúa como un guía, enviando un enjambre de exploradores virtuales para buscar en este paisaje el punto más bajo, que representa las condiciones de taladrado perfectas.

La innovación del equipo residió en cómo mejoraron este guía de búsqueda. Los algoritmos de búsqueda estándar a veces se quedan estancados en puntos bajos locales, pensando que han encontrado la mejor solución cuando existe una mejor cerca. Para evitar esto, los investigadores añadieron dos nuevas reglas a su algoritmo. Primero, le dieron al algoritmo la capacidad de elegir de forma adaptativa su estrategia de búsqueda basada en lo que funcionó mejor en pasos anteriores, esencialmente aprendiendo de su propia historia para realizar movimientos más inteligentes. Segundo, introdujeron una técnica de gestión de población que aseguraba que los exploradores virtuales no se agruparan todos en el mismo lugar demasiado rápido. Esto mantuvo la diversidad de la búsqueda, permitiendo que el algoritmo explorara diferentes áreas del espacio de soluciones a fondo antes de establecerse en una respuesta final. Cuando probaron este sistema mejorado contra la versión estándar, el nuevo enfoque encontró consistentemente mejores soluciones, identificando una combinación específica de una broca de punta helicoidal, una velocidad de husillo de 3000 revoluciones por minuto y una velocidad de avance de 160.1 milímetros por minuto como la configuración óptima.

Los resultados de este estudio ofrecen un camino claro hacia adelante para la fabricación. Los investigadores descubrieron que el uso de una broca de punta helicoidal generalmente producía menos daño en la salida del agujero en comparación con la broca de punta de brida, mientras que las velocidades de husillo más altas ayudaban a ablandar ligeramente el material, reduciendo la fuerza necesaria y las grietas resultantes. Por el contrario, aumentar la velocidad a la que el taladro se movía hacia el material aumentaba la fuerza y el daño. Al combinar su modelo computacional predictivo con el algoritmo de búsqueda mejorado, el equipo demostró que es posible calcular los parámetros de taladrado precisos necesarios para producir agujeros de alta calidad con el mínimo desperdicio. Este trabajo no solo sugiere una posibilidad teórica; proporciona un método concreto y probado para optimizar un proceso industrial crítico. A medida que la industria aeroespacial continúa presionando por aviones más ligeros y fuertes, tales enfoques basados en datos serán esenciales para asegurar que los agujeros que mantienen unidas estas estructuras avanzadas se realicen con la máxima precisión y cuidado.

Resumen Técnico: Una Red Neuronal de Propagación hacia Atrás con un Enfoque de Algoritmo Seno-Coseno Mejorado para la Optimización de Respuesta Múltiple en el Taladrado de CFRP

Planteamiento del Problema
El Polímero Reforzado con Fibra de Carbono (CFRP) es ampliamente utilizado en la industria aeroespacial y de aviación debido a su alta relación resistencia-peso y durabilidad. Sin embargo, el proceso de taladrado requerido para el ensamblaje a menudo induce daños de mecanizado severos, incluyendo el desprendimiento de la fibra de la matriz (debonding), el arrancamiento de fibras (fiber pull-out) y la delaminación. Estos defectos, particularmente la delaminación de entrada y salida del agujero, deterioran significativamente la calidad del agujero y la longevidad del componente. El estudio identifica que los parámetros de taladrado —específicamente la geometría de la broca, la velocidad del cabezal y la velocidad de avance— son los principales contribuyentes a estos daños, junto con la fuerza de empuje y el torque resultantes. Si bien estudios previos han investigado estos factores, existe la necesidad de enfoques robustos y basados en datos para modelar y optimizar simultáneamente múltiples respuestas en conflicto (fuerza de empuje, torque y delaminación) para minimizar el daño mientras se mantiene la tasa de remoción de material.

Metodología
La investigación propone un marco híbrido que integra una Red Neuronal de Propagación hacia Atrás (BPNN) con un Algoritmo Seno-Coseno Mejorado (ISCA).

Recolección de Datos Experimentales:
Se realizaron experimentos de taladrado en especímenes de CFRP de 3 mm de espesor utilizando una máquina CNC sin fluido de corte. Se probaron dos geometrías de broca: una broca de punta de dos filos (twist drill) y una broca de punta de punta ancha (brad spur drill). El diseño experimental varió las velocidades del cabezal (1000, 2000, 3000 rpm) y las velocidades de avance (50, 150, 250 mm/min). Las respuestas medidas incluyeron la fuerza de empuje ( $F_{Th}$ ), el torque ( $M$ ), la delaminación de entrada del agujero ( $F_{Den}$ ), la delaminación de salida del agujero ( $F_{Dex}$ ) y la tasa de remoción de material (MRR).
Modelado BPNN:
Se desarrolló una BPNN para predecir las respuestas de taladrado basadas en los parámetros de entrada. La arquitectura de la red fue optimizada mediante la Optimización de Colonia de Hormigas (ACO) para determinar el número óptimo de capas ocultas y neuronas, resultando en una configuración 3-4-7-10-5 (3 entradas, 3 capas ocultas con 4, 7 y 10 neuronas respectivamente, y 5 salidas). La red utilizó funciones de activación tansig para las capas ocultas y purelin para la capa de salida, entrenada con el algoritmo de Levenberg-Marquardt. Los datos fueron normalizados mediante una función mapminmax y el conjunto de datos se dividió en 70% para entrenamiento, 15% para validación y 15% para prueba.
Algoritmo Seno-Coseno Mejorado (ISCA):
Para optimizar el modelo BPNN y encontrar la mejor combinación de parámetros, se mejoró el Algoritmo Seno-Coseno (SCA) estándar con dos mecanismos específicos:

Selección de Operador Adaptativo: A diferencia del SCA estándar que selecciona aleatoriamente entre funciones seno y coseno con una probabilidad fija ( $P_y = 0.5$ ), el ISCA actualiza dinámicamente la probabilidad de selección basada en el desempeño histórico de cada operador. Los pesos se ajustan utilizando un parámetro de decaimiento y recompensas basadas en el fitness para favorecer a los operadores que producen mejores soluciones.
Técnica de Gestión de Población: Para prevenir la convergencia prematura y mantener la diversidad de soluciones, se implementó una técnica de gestión de población (adaptada de Prodhon y Prins, 2008), donde las nuevas soluciones solo se aceptan en la población si su distancia respecto a las soluciones existentes supera un umbral dinámico ( $\Delta$ ). Este umbral se ajusta según el número de rechazos sucesivos, asegurando un equilibrio entre exploración y explotación.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

Mejora Algorítmica: Introduce la primera combinación de selección de operador adaptativo y técnicas de gestión de población dentro del marco del Algoritmo Seno-Coseno.
Aplicación al Mecanizado: Implementa un heurístico basado en SCA para la optimización del mecanizado, un dominio donde estas aplicaciones son actualmente raras.
Optimización de Parámetros de Taladrado: Presenta el primer estudio que utiliza un algoritmo basado en SCA específicamente para la optimización de los parámetros de taladrado de CFRP.
Integración de Respuesta Múltiple: Aplica con éxito el ISCA para optimizar un modelo BPNN de respuesta múltiple, abordando simultáneamente la fuerza de empuje, el torque, la delaminación y la tasa de remoción de material.

Resultos

Desempeño del Modelo: La BPNN demostró una alta precisión predictiva, con valores de Error Porcentual Medio Absoluto (MAPE) para los datos de entrenamiento que oscilaron entre el 0% (MRR) y el 3.39% (Fuerza de Empuje). Los coeficientes de correlación indicaron un ajuste sólido entre los valores experimentales y los predichos.
Resultados de la Optimización: El ISCA superó tanto al SCA estándar como a una variante de SCA Adaptativo (ASCA). La solución óptima identificada por el enfoque BPenn-ISCA utilizó una broca de punta (twist drill), una velocidad de cabezal de 3000 rpm y una velocidad de avance de 160.1 mm/min.
Efectos de los Parámetros: El estudio confirmó que velocidades de cabezal más altas generalmente reducen la fuerza de empuje y el torque debido al ablandamiento del material, mientras que velocidades de avance más bajas reducen la delaminación. Respecto a la geometría de la broca, la broca de punta ancha (brad spur drill) redujo la delaminación de entrada del agujero pero aumentó la fuerza de empuje en comparación con la broca de punta (twist drill), mientras que la broca de punta resultó en menos delaminación de salida del agujero.

Significancia y Reivindicaciones
Los autores afirman que el enfoque propuesto de ISCA mejora claramente el desempeño del marco BPNN-SCA estándar. Al integrar mecanismos adaptativos y de gestión de población, el algoritmo navega eficazmente el complejo paisaje de optimización de respuesta múltiple del taladrado de CFRP. El estudio enfatiza que, si bien trabajos previos han hibridado el SCA con otras metaheurísticas o introducido nuevas ecuaciones, este trabajo demuestra que mecanismos simples —como la actualización de las probabilidades de selección basadas en el desempeño y la gestión de la diversidad de la población— pueden mejorar significativamente las capacidades de explotación del SCA clásico sin requerir la re-derivación compleja de las ecuaciones de actualización trigonométricas.

El artículo concluye modestamente, sugiriendo que, aunque la arquitectura actual de la BPNN fue optimizada utilizando ACO, investigaciones futuras podrían comparar el ACO con otras técnicas de vanguardia para la selección de la arquitectura de la red. Además, los autores señalan un vacío en la literatura respecto a la optimización simultánea de múltiples objetivos en conflicto en tareas de mecanizado, posicionando este estudio como un paso hacia la resolución de dicho vacío.

Más como este