Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/23214
Título : Diseño de Transmisiones de Potencia por Correas Trapezoidales, Tipo Normal, Mediante Redes Neuronales
Autor : Solórzano Castillo, Byron Agustín
Celi Gallegos, Juan Gabriel
Palabras clave : <DISEÑO DE TRANSMISIONES DE POTENCIA><CORREAS TRAPEZOIDALES CLÁSICAS><INTELIGENCIA ARTIFICIAL><REDES NEURONALES ARTIFICIALES><RNBANDEX><RETROPROPAGACIÓN>>SL
Fecha de publicación : 5-mar-2020
Editorial : Loja:Universidad Nacional de Loja.
Resumen : El presente trabajo está enfocado al desarrollo de una aplicación de software para efectuar cálculos en el diseño de transmisiones de potencia, mediante correas trapezoidales clásicas, usando Inteligencia Artificial, concretamente Redes Neuronales Artificiales (RNAs) y la metodología propuesta en los catálogos: Dunlop, Goodyear, Optibelt y Oleostatic. En primera instancia se efectuó la tabulación de 74391 datos relacionados con el perfil de correa, 2828 datos asociados a la potencia base y 3693 datos de la potencia adicional; todos estos provenientes de los catálogos antes mencionados. Utilizando los softwares: TKSolver^®, 〖yEd Graph Editor〗^® y 〖j2gml〗^®,se aplicó el Método de Grafos Dicromáticos (MGD) para generar el algoritmo de solución, mediante el cual se determinó la disposición de tres RNAs concatenadas entre sí. Se entrenó las RNAs tipo Backpropagation utilizando Neural Network Toolbox de Matlab^®. Así la RNA1, cuyas entradas son las revoluciones por minuto (rpm) de la polea menor y la potencia de diseño, predice el perfil de correa con una topología 2-20-20-20-1 y un error relativo medio de 0.17%. La RNA2 predice la potencia base, utilizando como variables de entrada el perfil de correa, la frecuencia de giro (R.P.M) y el diámetro primitivo de la polea menor, con una topología 3-20-20-20-1 y un error relativo medio de 0.24%. La RNA3 predice la potencia adicional, considerando como variables de entrada el perfil de correa, la frecuencia de giro (R.P.M) de la polea menor y la relación de transmisión, con una topología 3-30-30-1 y un error relativo medio de 0.10%. Las RNAs se validaron con el software 〖IBM SPSS Statistics 22〗^®, a través del contraste de curvas, histogramas y superficies de error. Finalmente, se procede a generar la interfaz del aplicativo mediante GUI de Matlab^®, proporcionando al usuario una herramienta rápida, precisa y fiable, con mínimo gasto computacional, para agilizar y verificar cálculos de diseño mecánico en el área industrial y académica. Para validar la aplicación se consideró 14 casos de estudio desarrollados con otros métodos de cálculo, cuyas variables no fueron consideradas en la fase de entrenamiento de las RNAs. Adicional a ello la herramienta genera el diagrama de la trasmisión diseñada, acompañada de un reporte de resultados.
Descripción : The present work is focused on the development of a software application in order to execute calculus at potency transmissions design, by means of classic trapezoidal belts, using Artificial Intelligence, they are Artificial Neuron Networks (ANNs) and the proposed methodology on catalogues: Dunlop, Goodyear, Optibelt and Oleostatic. To begin it was executed the tabulation of 74391 data related to the belt profile, 2828 data associated to the base potency and 3693 data to the additional potency; all of these come from the mentioned catalogues. Using the TKSolver^®, 〖yEd Graph Editor〗^® and 〖j2gml〗^®, software, the Dichromatic Graphs Method (DGM) to generate the solution algorithm was applied, through which the dispositions of ANNs connected among them were determined. Backpropagation ANNs type were trained using Matlab^® Neural Network Toolbox. Thus the ANN1, whose entry are revolutions per minute (rpm)of the minor pulley and the design potency, it predicts the belt profile with a typology 2-20-20-20-1 and a relative average error of 0.17%. the ANN2 predicts the base potency, utilizing as entry variable the belt profile, the rpm and the minor pulley primitive diameter, with a typology 3-20-20-20-1 and a relative error average of 0.24%. the ANN3 predicts the additional potency, considering as entry variable the belt profile, the rpm of the minor pulley and the transmission relation, with a typology of 3-30-30-30-1 and a relative error average of 0.10%. With 〖IBM SPSS Statistics 22〗^®software, the ANNs were validated, through curves contrast, histograms and error surfaces. Finally, the interface of the applicative is done, by means of GUI of Matlab^®, giving to the user a faithful, precise and fast tool, with a minimum computing waste, to speed up and verify mechanic design calculus into the academic and industrial areas. To validate the application 14 study cases were considered developed with others calculus method, whose variables were not considered at the ANNs training phase. Additional to that, the tool generates the designed transmission diagram, accompanied with a result report.
URI : http://dspace.unl.edu.ec/jspui/handle/123456789/23214
Aparece en las colecciones: TRABAJOS DE TITULACION AEIRNNR

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Celi Gallegos, Juan Gabriel.pdf13,16 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.