Jornadas SAM – CONAMET – AAS 2001, Septiembre de 2001 1041-1048 PREDICCIÓN DE LA VARIACIÓN DIMENSIONAL EN PIEZAS DE ADI EMPLEANDO TÉCNICAS DE MODELADO DIFUSO A. Dai Praa, A. Scandurraa, M.D. Echeverríab, O. Moncadab, J. Sikorac a Grupo de Inteligencia Artificial. Fac de Ingeniería UNMDP Grupo Tecnología Mecánica– Depto. Mecánica. Fac. de Ingeniería. UNMDP c Div. Metalurgia – INTEMA. Fac. de Ingeniería. UNMDP Av. Juan B. Justo 4302 (7600) Mar del Plata. Argentina. b RESUMEN Las determinaciones sistemáticas de la variación dimensional (VD), realizadas sobre cientos de probetas y piezas de fundición esferoidal austemperizada (ADI), permiten disponer de una amplia base de datos, de alta confiabilidad en la precisión de las mediciones, pero con incertidumbres en casos reales de producción industrial, debido a las fluctuaciones de las múltiples variables de colada y de tratamiento térmico, típicas de la producción industrial. Cuando la VD es predecible con buena aproximación, pueden corregirse, “a prori”, las cotas de mecanizado, para garantizar las tolerancias dimensionales. Pero la gran diversidad de geometría de piezas y propiedades mecánicas habitualmente requeridas, hace necesario optar entre una amplia variedad de composiciones químicas y ciclos de tratamiento, lo que limita la exactitud de dicha predicción. Los métodos estadísticos tradicionales resultan en general insuficientes para realizar estimaciones adecuadas. En este trabajo se utilizan técnicas de lógicas difusas (“Fuzzy logic”)[1], para obtener un modelo que permita predecir la VD, partiendo de rangos de valores establecidos para cada variable. Las probetas y piezas estudiadas cubren una amplia gama de composiciones químicas, microestructuras, geometrías y tratamientos térmicos, que abarcan todos los grados posibles de ADI, obteniéndose distintas VD , aún en piezas idénticas y condiciones operativas similares. Los modelos obtenidos son expresados mediante reglas, presentan bajo error, de acuerdo al tipo de información y permiten predecir la VD con buena aproximación, tanto para probetas experimentales como para piezas reales. Palabras claves Modelado Difuso (Fuzzy Modelling) – ADI – Variación Dimensional INTRODUCCION La variación dimensional (VD) causada por las transformaciones microestructurales, producidas durante el tratamiento térmico de austemperizado de fundiciones esferoidales (ADI), ha constituido, desde el inicio del desarrollo de este material, un aspecto de gran interés tecnológico. Para asegurar las tolerancias dimensionales de las piezas es de gran importancia poder predecir la VD y su dispersión, a fin de corregir las cotas y tolerancias de mecanizado antes del tratamiento térmico, aprovechando las mejores condiciones de maquinabilidad. Las múltiples variables involucradas en las distintas etapas del proceso industrial, sumadas a la amplia variedad de formas y tamaños de las piezas, y a las propiedades 1041 Dai Pra, Scandurra, Echeverría, Moncada y Sikora mecánicas requeridas, ha hecho que el estudio y predicción de la VD sea un problema complejo de resolver. Existen en la bibliografía diversos estudios llevados a cabo sobre probetas y piezas, tendientes a establecer relaciones entre la VD y las variables involucradas en el proceso de colada y el ciclo térmico [2,3,4]. Si además, se toma en cuenta, las características de las piezas, la predicción cuantitativa de VD en una determinada cota de una pieza real, resulta difícil de establecer. No obstante ello, las determinaciones sistemáticas de VD realizadas sobre cientos de probetas y piezas de ADI, permiten disponer de una amplia base de datos, de alta confiabilidad en la precisión de las mediciones, pero con incertidumbres, aún tratándose de piezas idénticas y condiciones operativas similares. El modelado difuso [5,6,7] es una nueva tecnología informática que permite un manejo más amplio de la información y de la interrelación entre los datos. Permite, además, considerar la incertidumbre producida por la imposibilidad de controlar todos los factores que intervienen simultáneamente en un proceso. El modelado difuso posee ciertas ventajas, como su simplicidad, al eliminar la complejidad de los modelos matemáticos; la utilización de menos código y, por consiguiente, una optimización en el uso de la memoria y tiempo computacional; y permite trabajar con múltiples entradas y salidas, modelando sistemas no lineales mediante reglas sencillas, de evaluación rápida. METODOLOGIA EXPERIMENTAL Materiales y piezas Se estudiaron probetas extraídas de piezas de prueba denominadas habitualmente Bloques “Y”, de diferentes tamaños y composición química, según se indica en la Tabla 1, y piezas de máquinas provenientes de diversas coladas industriales de fundición esferoidal producidas por varias empresas nacionales. Las microestructuras de partida (previas al tratamiento de ADI) consistieron en matrices variadas, desde totalmente perlíticas hasta completamente ferríticas, considerándose también grados intermedios. Los tamaños de cotas variaron entre 4,5 y 880 mm. Las probetas extraídas de bloques “Y” se mecanizaron a formas cilíndricas y prismáticas, mediante torneado o fresado, y fueron acabadas con un rectificado final. Las piezas estudiadas fueron, entre otras, cuchillas de molino, engranajes diversos, levas plato, discos con maza, rejas de arado, coronas dentadas, etc. . Tabla 1. Composición química y microestructura de probetas Cód. Matriz 1 2 3 4 5 6 7 Identif. 2F Ctf 1P ferritiz. PF ferritiz. PF 1P 2F Perlitiz. Matriz Mn Cu Ni Mg Mo Si Bloque “Y” [%] [%] [%] [%] [%] [%] [mm] (**) F 0.32 0.044 2.85 12.5 – 50 -75 F 0.27 0.07 0.005 0.045 0.03 3.22 12.5 - 75 F 0.27 0.76 0.56 0.036 0.13 2.7 12.5 - 75 F 0.27 1.01 0.66 0.01 3.3 25 P 0.27 1.01 0.66 0.01 3.3 25 P 0.27 0.76 0.56 0.036 0.13 2.7 12.5 – 25 -75 P 0.32 0.044 2.85 12.5 - 75 (*) P-Perlítica, F-Ferrítica. Siempre 3≤%C≤3.5, %P≤0.03, %S≤0.02. (**) corresponde a valores normalizados en pulgadas ASTM A395 (*) 1042 Ta [º C] 240-280-320-360 250-280-310-340-370 280-360 280-320-360 280-320-360 240-280-320-360 280-360 Jornadas SAM – CONAMET – AAS 2001 Tratamientos térmicos Las probetas y piezas se sometieron a distintos tratamientos térmicos, para obtener los grados de ADI de 1 a 5, según la norma ASTM 897 M-90. Los ciclos térmicos involucraron rangos de temperatura de austemperizado “Ta” de 240ºC a 370 ºC, tiempos de mantenimiento isotérmico (en baño de sales) “ta” de 60´ a 120´; temperaturas de austenizado “Tγ” de 840 ºC a 950 ºC y tiempos de austenizado “tγ” de 60´ a 120´. El calentamiento se realizó en horno mufla a velocidades variables según la carga, pero asegurándose la permanencia a temperatura de austenización indicada por “ta”. Previo al tratamiento de ADI, una parte de las probetas de las coladas perlíticas fueron ferritizadas para obtener una matriz totalmente ferrítica, y otra parte de las probetas de las coladas ferríticas fueron perlitizadas, a fin de considerar los efectos de la microestructura previa sobre la VD. Metrología Las distintas cotas de las probetas y piezas se midieron antes y después de cada tratamiento térmico con instrumentos de precisión. Se utilizó una máquina de medir por coordenadas computarizada, de incertidumbre ±(2,5+4L/1000)µm, así como también micrómetros centesimales y milesimales. El parámetro adoptado para la VD es la variación dimensional porcentual relativa, (1) VD% = 100 (Xf – Xi) / Xi donde Xi y Xf son las cotas medidas antes y después del tratamiento térmico, respectivamente. Desarrollo del modelo difuso El modelado difuso tiende a reducir la complejidad del problema, particionando el espacio de trabajo y evaluando cada partición por separado. Aplicando el método de Takagi-Sugeno [8], el modelo que se obtiene se expresa en forma de un conjunto de reglas que definen cada región. Dichas reglas son de la forma: if x1=c1 and x2=c2 and...and xn=cn then y = f(x1,x2,...xn) (2) La obtención de las mismas se realiza mediante algoritmos de agrupamiento o “clusterización” [9]. Considerando los datos como puntos en un espacio n-dimensional, estos algoritmos buscan agruparlos en zonas de características similares (dependientes del problema particular). Correspondiendo el centro de un “cluster” Ci, al punto con mayor cantidad de puntos cercanos (densidad), siendo de esta manera el valor más representativo de la partición. Cuando el agrupamiento es difuso, la medida de densidad Dk es expresada por la sumatoria de las distancias radiales de un Xk al resto de los puntos, y Ci corresponde al Xk con mayor Dk: Xk − X j Dk = ∑ exp − (ra / 2) 2 j =1 n donde Xj=(x1,x2,...,xn, y) y ra es un valor fijo que indica el tamaño del cluster. 1043 (3) Dai Pra, Scandurra, Echeverría, Moncada y Sikora La cantidad de reglas coincide con la cantidad de clusters obtenidos y Ci=(c1,c2,...,cn), en (2). Esta selección se realiza en forma no supervisada, es decir no se conoce “a priori” la caracterización del cluster. Los clusters resultantes pueden solaparse entre sí, de manera que un punto puede corresponder a más de un cluster. A partir de los centros de cluster, para cada una de las variables, se definen funciones de pertenencia (µi), cuyo valor máximo “1” corresponde a cada uno de dichos centros (Fig 1). En este caso las µi corresponden a funciones gaussianas de la forma: − ( X −Ci ) 2 µ i = f ( X , σ, C i ) = e 2σ 2 (4) donde σ es un valor dependiente de ra. 1 µ1 µ2 µ3 C2 C1 C3 Figura1. Funciones de pertenencia para una variable Cada µi define la pertenencia de un elemento a un conjunto Ai. El total de los µi debe cubrir todo el universo de discurso considerado y solaparse entre sí, para una buena cobertura del espacio de trabajo. Cuando se considera más de una variable, las funciones se proyectan, definiendo regiones como cuadrados, cubos o hipercubos.(Fig.2) µ1(1) µ2(1) µ3(1) µ1 X1 (2) µ2(2) A2(2) A2(2) µ3(2) x2 A2(1) Figura 2. Funciones de pertenencia para dos variables 1044 A2(1) Jornadas SAM – CONAMET – AAS 2001 La conclusion de cada regla es un valor que depende de una función fi , obtenida por mínimos cuadrados a partir de un conjunto de datos inicial, o de entrenamiento, y la distancia radial al punto que define el antecedente (centro de cluster). El valor final se calcula como: r y= ∑α i =1 i f i ( x1 ,..., xn ) (5) r ∑α i =1 i donde cada αi se obtiene de la evaluación del antecedente de cada regla resultante de aplicar el producto de los µj, siendo j = variables de entrada y fi una función lineal que representa el consecuente de cada regla. Para la modelización fue utilizado el software “Matlab Fuzzy Toolkit” [10]. El agrupamiento fue realizado con la técnica de “substractive clustering” [11], que requiere de parámetros tales como: amplitud de los clusters, grado aceptado de superposición de los mismos, etc. RESULTADOS Y DISCUSION Modelado para probetas En una primer etapa se trabajó en el modelado de los datos de VD correspondientes exclusivamente a probetas (cilindros y prismas) de longitud y diámetro/espesor variable, mecanizados a partir de los Bloques “Y” de distinto tamaño de las diferentes coladas, y sometidas a los ciclos térmicos de austemperizado según las temperaturas Ta indicadas en la Tabla 1. Dado que en todos los casos se disponían de datos de VD en largo y diámetro/espesor, y que se observó una alta correlación lineal entre ambas (en el orden de 0.9), se utilizaron para la modelización sólo VD en largos. Se consideró la influencia sobre la VD de algunas de las variables más comunes, en particular Ta y tipo de matriz, obteniéndose a partir del modelo, gráficos tridimensionales que permiten relacionar Ta con tamaño de Bloque “Y” y Ta con tipo de matriz, como los mostrados en las Fig. 3 y 4. Las previsiones del modelo mostraron tendencias coincidentes con otros resultados reportados en la bibliografía [3,4]. En efecto, en las Fig. 3 y 4 se observa que la VD se incrementa con la disminución de la Ta. En particular, la fig. 3a muestra, para probetas idénticas, que la VD se incrementa con la disminución de Ta, siendo este efecto más marcado para matrices ferríticas. En la Fig. 3b, se aprecia la relación lineal existente entre la VD y la longitud de la probeta. En las Figuras 4a y b se observa además que las matrices ferríticas, previas al tratamiento de ADI, presentan menores valores de VD que las matrices perlíticas En una segunda etapa se procuró considerar todas las probetas en conjunto, para lo cual se agrupó la información, asignando un código que ordena las probetas por tipo de matriz, como se indica en Tabla 1 (de 1 a 7, de ferríticas a perlíticas). Se promedian las salidas para datos con iguales valores de entrada (matriz codificada, Ta y composición), Fig. 5. Aproximando con un RMS =0.03 1045 Dai Pra, Scandurra, Echeverría, Moncada y Sikora a- Relación matriz-Ta (PF) b- Relación longitud –Ta (PF) Figura 3. Relaciones entre VD y variables Ta, matriz y longitud a- Perlítica (1P) b- Ferrítica (2F) Figura 4. Relaciones entre VD, Ta y tamaño de bloque Y If Ta = 360 and matriz = 1 and bloque_Y = 0.5 then VD1= -0.0019 Ta + 0.007 matriz -0.0635 bloque_Y + 0.641 If Ta = 360 and matriz = 6 and bloque_Y = 0.5 then VD2=-0.00117 b Ta +0.0145 matriz -.06581 bloque_Y + 0.6952 If Ta = 340 and matriz = 2 and bloque_Y = 3 then VD3 = -0.0009 Ta + 0.014 matriz + +0.06401 bloque_Y + 0.136 VD=(α1*VD1+α2*VD2+α3*VD3) /(α1+α2+α3) a- Reglas para probetas en general b- Relación matriz -Ta c- Bloque Y – Ta perlíticas d- Bloque Y – Ta ferríticas Figura 5. Reglas y relaciones entre VD y variables, considerando el conjunto total de probetas 1046 Jornadas SAM – CONAMET – AAS 2001 Modelado para piezas Las piezas reales estudiadas provienen de diversas coladas y por lo tanto poseen variados tenores de elementos de aleación. Esto, sumado a los efectos de microsegregación y a los distintos grados de subenfriamientos en cada sector de la pieza, conduce a una notable heterogeneidad microestructural antes del tratamiento de austemperizado, por lo que resulta sumamente difícil cuantificar adecuadamente los microconstituyentes de la matriz. Por tal razón todas las piezas fueron tomadas como un conjunto, independientemente de las probetas. Se consideraron un total de 20 tipos de piezas distintas, en algunos casos con varias muestras de cada tipo de pieza, además, se realizaron mediciones en distintas cotas de cada pieza, sumando un total de 181 mediciones en 63 cotas. La Tabla 2, muestra los centros de cluster obtenidos, las variables y los rangos considerados para cada una, desarrollado en [12]. Tabla 2. Centros de cluster obtenidos para piezas Tγγ 900−920 ºC 910 920 920 910 920 910 Ta tγ 60-180 min 240-360 ºC 120 90 180 90 120 90 310 320 280 300 260 240 ta 90-120 min 120 120 90 120 120 120 Dim Mn Cu Ni Mo Si % VD relativa 4.5-808 mm 0.11-0.5 % 0.04- 1.19 % 0-1.43 % 0-0.28 % 2.44-3.18 % 0.029-0.768 53 140 62 53 35 485 0.3200 0.1900 0.3600 0.5000 0.3200 0.2900 0.6200 1.1800 0.8200 0.0500 1.0900 0.3400 0.6000 0.8700 0.5000 0.0500 0.6300 0.3900 0.1200 0.2100 0.1400 0.0500 0.2000 0.0800 2.8400 2.6200 3.0600 2.9600 3.1800 2.9100 0.2450 0.1680 0.4200 0.0850 0.3120 0.2720 La fig. 6 muestra dos gráficos para la visualización de las aproximaciones obtenidas, En la fig.6a se puede observar para cada una de las cotas, el rango de variación de VD presentado y el valor calculado por el modelo. En la fig 6b, la línea llena une todos los valores de VD medidos, ordenados por magnitud, y los puntos señalados por el símbolo ‘+’ indican el valor calculado por el modelo, para las respectivas mediciones, observándose una muy buena aproximación (RMS = 0.04). 0.9 0.8 0.7 VD 0.6 max VD 0.5 0.4 min VD VD calc 0.3 0.2 0.1 61 55 49 43 37 31 25 19 7 13 1 0 Cotas a- Relación VD calculado - rango de VDs observadas b- VDs medidos y calculados Figura 6.Visualización de la aproximación de los resultados obtenidos 1047 Dai Pra, Scandurra, Echeverría, Moncada y Sikora El modelo desarrollado ha permitido predecir VD en diversas piezas desarrolladas por la División Metalurgia de INTEMA y continúa siendo optimizado y ampliado a otros rangos de variables, en particular a piezas de fundición esferoidal de muy pequeño espesor de pared. CONCLUSIONES El modelado difuso es adecuado para resolver problemas como el abordado en este trabajo, donde la información es incompleta, de comportamiento no lineal, y donde la cantidad de datos no es suficiente para un análisis matemático. Aunque el método es muy efectivo, la determinación de los parámetros requiere de distintos ensayos para adecuarlos al problema, ya que no existe una regla general para determinarlos. El modelo desarrollado proporciona una buena aproximación, pero debe señalarse que si alguna variable operativa de un conjunto de piezas, se apartara del entorno de los datos considerados, el sistema igualmente predice un valor de VD, pero este valor puede no resultar confiable a los fines operativos para decidir sobre una cota de mecanizado, pudiendo resultar de interés para planificar nuevos estudios, mediante el empleo de distintos valores de las variables analizadas o de variables no consideradas anteriormente. AGRADECIMIENTO A la UNMDP, Proyectos 15-G084, 15-G077 y a la Agencia Nacional de promoción Científica y Tecnológica, Proyecto BID 1201/0C-AR PID G150. REFERENCIAS 1. L. A. Zadeh, Fuzzy sets. Information and Control, 8, 338-353, 1965. 2. J.R. Keough. The development, processing and application of Austempered Ductile Iron, AFS Transaction, 2, 638-644, 1991. 3. O.J. Moncada, J.A. Sikora. Dimensional changes in Austempered Ductile Iron, AFS Transaction, 104, 577-580, 1996. 4. M.D. Echeverría, O.J. Moncada, J.A. Sikora. Influence of the dimensional change, and its dispersion, on the fabrication size tolerances of ADI parts: comparison with SAE 4140 steel, J.ISIJ International, The iron and steel Institute of Japan, 41, 25-30, 2001. 5. W. Pedrycz, Fuzzy Sets Engineering. CRC Press. USA. 1995. 6. D. Dubois, H. Prade. Fuzzy sets and systems, Academic Press, London, 1980. 7. F. Klawonn, R. Kruse, Constructing a fuzzy controller from data. Fuzzy Sets and Systems 85 (1997) 177-193. 8. A.Grauel, H. Mackemberg, Mathematical analysis of the Sugeno controller leading to general design rules,. Fuzzy Sets and Systems, 85 (1997) 165-175. 9. H. Genther, M. Glesner, Advanced data processing using clustering techniques. Fuzzy Sets and Systems, 85 (1997) 155-164. 10. J. Jang, N. Gulley, Fuzzy Logic Toolbox, The MathWorks Inc., Mass.1995. 11. S. Chiu. Fuzzy Model Identification based on cluster estimation. Journal of Intelligent & fuzzy systems, 2, 3, 1994. 12. A.L. Dai Pra, G.G. Acosta. Modelado difuso para Tratamientos Térmicos en materiales. CACIC 99. Tandil, Argentina, CD,1999. 1048