Redes neuronales artificiales aplicadas a la industria del aluminio
DOI:
https://doi.org/10.62059/LatArXiv.preprints.154Palabras clave:
Aluminio, Aprendizaje automático, Inteligencia artificial, Redes neuronalesResumen
Las redes neuronales artificiales (RNA), se utilizan en la industria del aluminio para optimizar procesos de producción, mejorar la calidad del producto y predecir fallos en los equipos. Por ejemplo, en la fundición de aluminio, las RNA pueden utilizarse para controlar la temperatura del horno de fundición, controlar el proceso de solidificación y predecir cuándo es necesario realizar mantenimiento preventivo en la maquinaria. Igualmente, en la detección de defectos en productos, en el control de calidad de láminas. Las RNA pueden además predecir propiedades mecánicas como resistencia, dureza o ductilidad de los materiales laminados. Por ejemplo, las RNA se pueden entrenar para predecir la microestructura resultante de un proceso de laminación en función de parámetros como la temperatura, la velocidad de laminación y la presión aplicada. También se pueden emplear para predecir propiedades del baño electrolítico, propiedades anódicas, en general todo lo relativo al proceso electrolítico.
Referencias
X. Basogain, Redes Neuronales Artificiales y ssus Aplicaciones. Departamento de Ingeniería de Sistemas y Automática, Escuela Superior de Bilbao. UPV-EHU.
J. A. Escobar, “Introducción a las Redes Neuronales,” [Online]. Available: https://www.halweb.uc3m.es/esp/personal/personas/jmmarin/esp/DM/tema3dm.pdf
“Componentes de una Red Neuronal.” [Online]. Available: https://www.datasmarts.net/componentes-de-una-red-neuronal/
“Redes Neuronales.” https://www.thepower.education/blog/redes-neuronales
“Que es una Red Neuronal.” https://www.thedataschools.com/que-es-una-red-neuronal/
J. Vorobioff, S. Cerrotta, N. Morel, and A. Amadio, “Inteligencia Artificial y Redes Neuronales Fundamentos, Ejercicios y Aplicaciones,” 2022. doi: ISBN 9789874998828.
A. Zaknich, “Characterization of Aluminum Hydroxide Particles from the Bayer Process Using Neural Network and Bayesian Classifiers,” IEEE Trans. Neural Netw., vol. 8, no. 4, 1997.
C. Chelgani and E. Jorjani, “Artificial Neural Network Prediction of Al2O3 Leaching Recovery in the Bayer Process-Jajarm Alumina Plant (Iran),” J. Hydrometall., vol. 97, no. 1–2, pp. 105–110, 2009, doi: 10.1016/j.hydromet.2009.01.008.
I. Milosevic, I. Mihajlovic, and Z. Zivkovic, “Artificial Neural Network Prediction of Aluminum Extraction from Bauxitein the Bayer Process,” J. Serbian Chem. Soc., vol. 77, no. 9, pp. 1259–1271, 2012, doi: 10.2298/JSC110526193D.
F. Suárez, P. Sucre, and G. Almeida, “Inteligencia Artificial en el Proceso de Obtención de Alúmina,”
Universidad, Cienc. y Tecnol., vol. 22, no. 88, pp. 48–56, 2018.
M. Mahmoudian, A. Ghaemi, H. Hashemabadi, and S. Shahhosseini, “Comparing the Capability of Various Models for Predicting the Bayer Process Parameters,” J. Adv. Mater. Process., vol. 6, no. 1, pp. 71–86, 2018.
L. Dion, C. Lagace, L. Kiss, and S. Poncsak, “Using Artificial Neural Network To Predict Low Voltage Anode Effect PFCS At The Duct End Of An Electrolysis Cell,” in Light Metals 2016, 2016.
D. Bhattacharyay, D. Kocaefe, Y. Kocaefe, B. Morais, and M. Gagnon, “Application of the Artificial Neural Network (ANN) in Predicting Anode Properties,” in Light Metals 2013, 2013.
D. Kocaefe, A. Sarkar, Y. Lu, D. Bhattacharyay, Y. Kocaefe, and B. Morais, “Utilization of Artificial Neural Network to Analyze and Predict the Influence of Different Parameters on Anode Properties,” in 11th Australasian Aluminium Smelting Technology Conference, United Arab Emirates, 2014.
P. Chermont, F. Soares, and R. Oliveira, “Simulations on the Bath Chemistry Variables Using Neural Networks,” in Light Metalas 2016, 2016.
D. Bhattacharyay, D. Kocaefe, Y. Kocaefe, and B. Morais, “An Artificial Neural Network Model for Predicting the CO2 Reactivity of Carbon Anodes Used in the Primary Aluminum Production,” Neural Comput. Appl., vol. 28, pp. 553–563, 2017, doi: 10.1007/s00521-015-2093-7.
A. Fernandez et al., “Soft Sensors in the Primary Aluminum Production Process Based on Neural Networks Using Clustering Methods,” Sensors, 2019. https://www.mdpi.com/journal/sensors
A. Saracibar, R. López, B. Ducoeur, M. Chiumenti, and B. Meester, “Un Modelo Numérico Para la Simulación de Disolución de Precipitados en Aleaciones de Aluminio con Endurecimiento Utilizando Redes Neuronales,” Rev. Int. Métodos Numéricos para Cálculo y Diseño en Ing., vol. 29, no. 1, pp. 29–37, 2013, doi: 10.1016/j.rimni.2012.02.003.
M. Jimenez, M. Alfaro, and C. Muñoz, “Design of an Aluminum Alloy Using a Neural Network Based Model,” Metals (Basel)., vol. 12, 2022, doi: 10.3390/met12101587.
M. Bagheripoor and H. Bisadi, “Application of Artificial Neural Network for the Prediction of Roll Force and Roll Torque in Hot Rolling Process,” Appl. Math. Model., vol. 37, pp. 4593–4607, 2013, doi: 10.1016/j.apm.2012.09.070.
P. Barat and P. Withers, “Neural Network Modeling for the Prediction of Texture Evolution of Hot Deformed Aluminum Alloys,” J. Mater. Eng. Perform., vol. 12, no. 6, pp. 623–628, 2003, doi: 10.1361/105994903322692402.
Descargas
Descargas
PrePrint online
Categorías
Declaración de disponibilidad de datos
Revisando las referencias o comunicandose con el autor
Licencia
Derechos de autor 2024 Rafael Tosta (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Este preprint contiene la licencia informada y los derechos de autoría asociados. Una vez publicados en una revista asociada u otra editorial, la versión publicada asume las condiciones del nuevo entorno.
