APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL EN EL MOLDEO POR INYECCIÓN DE POLÍMEROS TERMOPLÁSTICOS: ENTRENAMIENTO DE UNA RED NEURONAL ARTIFICIAL PARA LA OBTENCIÓN DE UNA PIEZA LIBRE DE DEFECTOS

CAMILA QUINTANA; FEDERICO RUEDA; FABRICIO PIETRANI; CONTE, SERGIO; FRONTINI, PATRICIA

Congreso; SAM CONAMET 2022; 2022

La configuración óptima de los parámetros del proceso de moldeo por inyección de polímerostermoplásticos es crucial para obtener piezas de calidad y reducir los tiempos de producción. En general, enla práctica industrial, esta tarea se realiza de acuerdo a costosas y laboriosas metodologías de prueba yerror. Las alternativas clásicas son simulaciones numéricamente muy costosas o modelos analíticos muylimitados debido a la suposiciones y simplificaciones que implican [1,2]. En ambos casos, la validez de estosresultados depende de una adecuada y rigurosa caracterización reológica de los materiales y de usuariosexperimentados para poder interpretar la información obtenida. Para dar solución a los problemasmencionados anteriormente, en los últimos años comenzaron a explorarse como alternativa las técnicasbasadas en inteligencia artificial (IA) [3-6]. Las redes neuronales artificiales (RNA) tienen la habilidad detransformar complejos problemas no lineales en estructuras simplificadas de caja negra capaces de predecirel conjunto de instancias previamente aprendidas. Es por esto que son de particular interés en el proceso demoldeo por inyección donde hay un gran número de variables de procesamiento involucradas queinteraccionan entre sí de manera no lineal influyendo en la calidad de la pieza obtenida y en la eficienciadel proceso (problema multidimensional y multiobjetivo). Teniendo en cuenta lo anterior, el propósito deeste trabajo es evaluar el uso de información de procesamiento relevante para entrenar una RNA queaprenda la compleja relación entre las variables de procesamiento, sus distintas combinaciones y losdefectos que se producen durante la inyección de una pieza. El objetivo posterior es aplicar estaherramienta en la predicción de una ventana de procesamiento estrecha, es decir, en la determinación de losrangos de las variables de procesamiento dentro de los cuales la pieza estará libre de defectos, de manerarápida y accesible y sin tener que recurrir a los esquemas tradicionales.Específicamente, se realizó una serie de experimentos de inyección, alterando sistemáticamente en un rangosignificativo las variables de procesamiento más relevantes. Se registró para cada condición deprocesamiento el o los tipos de defectos de inyección que se observaron, y se pesó cada pieza paracuantificar la magnitud del defecto y la repetitividad de los experimentos. Se seleccionó para este estudiouna pieza de geometría compleja: la misma es de espesor grueso, posee cambios de espesor, filetes delgadosy es esbelta. El material inyectado fue Polietileno (PE), grado DOWLEX™ IP-20. La red neuronal fueprogramada en Python, utilizando las librerías Keras y tensorflow. Las entradas de la red fueron lassiguientes: i) Tm: temperatura del molde, ii) Tf: temperatura del polímero fundido, iii) Pi: presión deinyección, iv) ti: tiempo de inyección, v) Ps: presión sostenida, vi) ts: tiempo de aplicación de la presiónsostenida, vii) vi: velocidad de inyección y viii) Te: temperatura de enfriamiento. Las salidas de la redfueron: i) w: peso de la pieza y la presencia o no de los siguientes defectos: ii) llenado incompleto, iii)sobre-llenado, iv) marcas de hundimiento o rechupes, v) líneas de flujo, vi) burbujas, vii) delaminaciónsuperficial, viii) alabeo y iv) tapón en la boquilla de inyección. Se realizaron un total de 160 experimentos,como resultado de variar y combinar sistemáticamente (con sus réplicas correspondientes) las variables deinyección en los siguientes niveles: Tm: 25 y 40°C; Tf: 150 y 180°C; Pi: 30, 56, 70 y 80 MPa; ti: 0.1, 0.5,1.18, 2 y 5s; Ps: 10, 22 y 80 MPa; ts: 0.3, 0.75 y 6s; vi: 5, 15, 33 y 80%; Te: 25 y 40s. Los experimentospermitieron barrer todo el espectro de defectos de inyección para brindar a la red información significativarespecto a la influencia de las variables de procesamiento y su interacción en la calidad de las piezasinyectadas. En la Figura 1 se puede observar la una distribución de los pesos obtenidos en cadaexperimento.