Predicción del Composite Requerido en el Diseño de un Recipiente Toroidal Mediante una Red Neuronal Artificial

Abstract

Contexto: Dentro del diseño de los recipientes toroidales, minimizar la cantidad de material, es muy importante para la reducción de costos de producción; los métodos convencionales que se usan para minimizar la cantidad de material, consumen mucho tiempo de computación cada vez que se ensaya sobre un nuevo recipiente. Las nuevas técnicas basadas en inteligencia artificial, garantizan la predicción de la cantidad mínima de material requerido para el diseño de un recipiente en el menor tiempo posible. Método: La metodología de predicción, está basada en un modelo de regresión lineal a través de una red neuronal artificial, que se implementa con el modelo de Keras de Python; en su primera fase, se maneja un dataset creado por un script con código APDL de ANSYS. Resultados: Un modelo de red neuronal artificial que aprendió a predecir la cantidad mínima de material, índices adecuados de exactitud y perdida del modelo. Conclusiones: Se obtuvo un mejor rendimiento del modelo, la partición del dataset en datos de training y testing, se obtuvo un nivel de precisión muy elevado que asegura la confiabilidad del modelo de machine learning frente a los tradicionales.