Modelado y simulación del transporte de masa, momentum y energía en una extrusora de plástico mono husillo

Abstract

Con el objetivo de estudiar y mejorar la predicción de modelos aplicados al proceso de extrusión mono husillo, el proyecto inició con un estudio del estado del arte acerca de modelos utilizados para representar el proceso de extrusión en extrusoras mono husillo, destacando dos grandes enfoques: los modelos de base fenomenológica y los modelos basados en técnicas de soft computing, como redes neuronales artificiales (ANN), lógica difusa, algoritmos genéticos y sistemas expertos. En este proyecto se desarrollaron y validaron dos metodologías complementarias: un modelo Semifísico de base fenomenológica, y otro basado en redes neuronales artificiales (ANN). Se desarrolló un modelo fenomenológico que contempla los balances dinámicos unidimensionales de masa, momentum y energía. El modelo mostró alta precisión en la predicción de la temperatura del fundido y la predicción del perfil de fundición, así como algunas leves desviaciones en los perfiles intermedios de presión sin perder precisión a la salida. Seguido de esto se desarrolló un modelo basado en ANN para capturar la naturaleza altamente no lineal del proceso de extrusión, enfocándose en la predicción dinámica del perfil de presión en diferentes ubicaciones de la extrusora. Los resultados obtenidos mostraron una alta precisión obteniendo un coeficiente de determinación (R2) de 0.9889. Este modelo supera en ciertos aspectos al modelo fenomenológico, particularmente en términos de flexibilidad y rapidez ante variaciones operativas. Finalmente, se recomienda integrar ambos enfoques creando una estrategia hibrida donde se contemplan las fortalezas de cada modelo, empleando el modelo de base fenomenológica para la predicción de la temperatura del fundido para usarla como entrada a la ANN y mejorar la estimación del perfil de presión cuando no se cuenta con sensores para medir esta variable. (Tomado de la fuente)

With the objective of studying and improving the prediction capabilities of models applied to the single-screw extrusion process, the project began with a state-of-the-art review of modeling approaches used to represent extrusion in single-screw extruders. Two main strategies were identified: phenomenological-based models and models based on soft computing techniques, such as artificial neural networks (ANNs), fuzzy logic, genetic algorithms, and expert systems. In this project, two complementary methodologies were developed and validated: a semi-physical model with a phenomenological basis and another based on artificial neural networks (ANNs). A phenomenological model was developed that incorporates the one-dimensional dynamic balances of mass, momentum, and energy. This model demonstrated high accuracy in predicting melt temperature and the melting profile, with some deviations in intermediate pressure profiles, but without compromising precision at the extruder outlet. Following this, an ANN-based model was developed to capture the highly nonlinear nature of the extrusion process, focusing on the dynamic prediction of the pressure profile at various points along the extruder. The results showed high accuracy, achieving a coefficient of determination (R2) of 0.9889. This model outperforms the phenomenological model in certain aspects, particularly in terms of flexibility and responsiveness to operational changes. Finally, it is recommended to integrate both approaches by creating a hybrid strategy that leverages the strengths of each model. The phenomenological model can be used to predict melt temperature, which can then serve as an input to the ANN to improve pressure profile estimation in scenarios where direct temperature sensors are unavailable.