Predicción mediante redes neuronales de los parámetros de diseño y de proceso para la fabricación por estereolitografía enmascarada (MSLA) de scaffolds sometidos a cargas de compresión

Abstract

En el presente trabajo se tiene por objetivo predecir mediante redes neuronales los parámetros de diseño y de proceso para la fabricación por estereolitografía enmascarada de scaffolds sometidos a cargas de compresión. Para ello se trabajó sobre una base de datos construida a partir de un diseño experimental Taguchi L9. Los parámetros por predecir corresponden a la compensación de la superficie media (O), el tamaño de la celda unitaria (CS) y el espesor de capa (LT). Las variables de entrada corresponden al esfuerzo de fluencia al 0.1% (Sy), así como el módulo elástico (E). Se planteo un modelo de regresión para los parámetros de O y CS, y un modelo de clasificación para LT. Para la definición de las arquitecturas de redes neuronales se recurrió a tres algoritmos de ajuste de hiperparámetros, los cuales corresponden a: GridSearch, RandomSearch y CoarseToFineSearch. El modelo de regresión seleccionado presenta tres (3) capas ocultas, con 8, 18 y 14 neuronas respectivamente, logrando un error medio absoluto (MAE) de 0.011 para el parámetro O, y de 0.144 para CS. En cuanto al modelo de clasificación la arquitectura consta de tres (3) capas ocultas, con 20, 20 y 16 neuronas respectivamente. La exactitud del modelo es de 77.8 %, sin embargo, hay presencia de sobreajuste. Durante la validación, se observó que el modelo mantiene la relación lineal entre E y Sy, con errores absolutos entre 0.176 MPa y 2.393 MPa para Sy y 5.07 MPa y 44.081 MPa para E. (Texto tomado de la fuente).

This work aims to predict, through neural networks, the design and process parameters for the fabrication of scaffolds subjected to compression loads using masked stereolithography. A database was built based on a Taguchi L9 experimental design. The parameters to be predicted are the mean surface compensation (O), unit cell size (CS), and layer thickness (LT). The input variables are the 0.1% yield strength (Sy) and the elastic modulus (E). A regression model was developed for the O and CS parameters, and a classification model was developed for LT. Three hyperparameter tuning algorithms were used to define the neural network architectures: GridSearch, RandomSearch, and CoarseToFineSearch. The selected regression model consists of three hidden layers with 8, 18, and 14 neurons, achieving a mean absolute error (MAE) of 0.011 for the O parameter and 0.144 for CS. The classification model's architecture consists of three hidden layers with 20, 20, and 16 neurons, respectively, achieving an accuracy of 77.8%, although overfitting was present. During validation, it was observed that the model maintains the linear relationship between E and Sy, with absolute errors ranging from 0.176 MPa to 2.393 MPa for Sy and from 5.07 MPa to 44.081 MPa for E.