REVISTA DE INGENIERIA DYNA

Palabras clave:

BioHDPE, Machine Learning, Temperatura VICAT, Redes Neuronales, Cargas, Machine Learning, VICAT Temperature, Neural Networks, Prediction

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

La ciencia de materiales es un campo interdisciplinar que estudia la estructura, propiedades, comportamiento y rendimiento de los materiales. Este trabajo se enfoca en los polímeros de polietileno, los más utilizados en la industria, con especial énfasis en los bio-polietilenos, que se alinean con los objetivos de sostenibilidad al derivarse de materiales renovables como biomasa y cultivos agrícolas, reduciendo la dependencia de recursos fósiles y la huella de carbono.
La temperatura VICAT es una medida clave para evaluar la resistencia térmica de los materiales termoplásticos, indicando la temperatura a la cual comienzan a ablandarse bajo carga. Una mayor temperatura VICAT sugiere una mejor resistencia a la deformación térmica. Se utilizará, como base, una matriz de BioHDPE, conocida por su alta resistencia al impacto y la tracción.
Para mejorar las propiedades mecánicas y térmicas, se incorporaron fibras de cáñamo, polvo de almendra, polvo de argán y nanotubos de Halloysite (HNT) en la matriz, utilizando residuos orgánicos para reducir costos. Estos componentes, disponibles en la región mediterránea, afectan la temperatura VICAT de manera diferente: la fibra de cáñamo y los HNT refuerzan la resistencia mecánica, mientras que los polvos de almendra y argán podrían reducirla debido a su tendencia a descomponerse.
Se aplicaron técnicas de aprendizaje automático (ML) para predecir la temperatura VICAT, buscando reducir tiempo y costos en el desarrollo de nuevos materiales. Se compararon modelos de regresión, incluyendo Regresión Lineal Múltiple (MLR), Redes Neuronales (NN), Árboles de Decisión (DT) y Vecinos Próximos (kNN), evaluados mediante el Error Porcentual Medio Absoluto (MAPE) y el coeficiente de determinación (R²). El mejor modelo de ML se identificará por un bajo MAPE y alto R², garantizando alta precisión en la predicción.
Este estudio demuestra el potencial del ML en la predicción de propiedades de materiales, contribuyendo al diseño eficiente y sostenible de nuevos polímeros.

Keywords: BioHDPE, Aprendizaje automático, Temperatura VICAT, Redes Neuronales, Predicción