Optimización del comportamiento frente a fatiga del acero para muelles mediante el uso de algoritmos Machine Learning

Abstract

Este trabajo fin de Máster recoge los resultados derivados de un proyecto de investigación para la optimización del comportamiento en fatiga del acero para muelles fabricado por la empresa Global Steel Wire (GSW). El estudio experimental llevado a cabo en el LADICIM de la Universidad de Cantabria consta de 529 ensayos de fatiga por flexión rotatoria que han sido posteriormente interpretados mediante algoritmos Machine Learning. El contenido del trabajo se estructura de la siguiente forma: Capítulo 1: INTRODUCCIÓN Y OBJETIVOS: Incluye una descripción del producto fabricado por GSW y de las ventajas que ofrece el uso de herramientas de Machine Learning Capítulo 2: ESTADO DEL ARTE: Describe el proceso productivo de GSW para fabricar alambrón. Asimismo, se explican las principales herramientas Machine Learning, centrándose principalmente en aquellas utilizadas dentro del estudio. Capítulo 3: PROBLEMÁTICAS, MATERIALES Y MÉTODOS: Se explica la problemática existente en el acero de los muelles, así como las diferentes etapas seguidas en este estudio para obtener un modelo Machine Learning. Capítulo 4: RESULTADOS: Se exponen los resultados más relevantes extraídos de este estudio en los ámbitos experimental y analítico. Capítulo 5: CONCLUSIONES: Aquí se enumeran las principales aportaciones derivadas de esta investigación

This Master's thesis collects the results derived from a research project for the optimization of the fatigue behavior of spring steel manufactured by Global Steel Wire (GSW). The experimental study carried out at the LADICIM of the University of Cantabria consists of 529 rotary bending fatigue tests which have been subsequently interpreted by means of Machine Learning algorithms. The content of the work is structured as follows: Chapter 1: INTRODUCTION AND OBJECTIVES: It includes a description of the product manufactured by GSW and the advantages offered by the use of Machine Learning tools. Chapter 2: STATE OF THE ART: Describes GSW's production process to manufacture wire rod. It also explains the main Machine Learning tools, focusing mainly on those used in the study. Chapter 3: PROBLEMS, MATERIALS AND METHODS: The existing problems in spring steel are explained, as well as the different stages followed in this study to obtain a Machine Learning model. Chapter 4: RESULTS: The most relevant experimental and analytical results of this study are presented. Chapter 5: CONCLUSIONS: The main contributions derived from this research are listed here.