DeepForge: Aprovechando la IA para el Control Microestructural en la Conformación de Metales mediante Control Predictivo de Modelos

Este estudio presenta un método novedoso para el control de microestructura en forja en caliente con matriz cerrada que combina el Control Predictivo de Modelos (MPC) con un modelo de aprendizaje automático desarrollado llamado DeepForge. DeepForge utiliza una arquitectura que combina redes neuronales convolucionales 1D y unidades recurrentes con compuerta. Usa mediciones de temperatura superficial de una pieza de trabajo como entrada para predecir cambios en la microestructura durante la forja. El documento también detalla la arquitectura de DeepForge y el modelo de simulación de elementos finitos utilizado para generar el conjunto de datos, utilizando un proceso de forja de tres golpes. Los resultados demuestran la capacidad de DeepForge para predecir la microestructura con un error absoluto medio de 0. 40. 3%. Además, el estudio explora el uso de MPC para ajustar los tiempos de espera entre golpes, contrarrestando efectivamente las perturbaciones de temperatura para lograr un tamaño de grano objetivo de menos de 35 micrones dentro de una región 2D específica de la pieza de trabajo. Estos resultados son luego verificados experimentalmente, demostrando un paso significativo hacia un mejor control y calidad en los procesos de forja donde la temperatura puede ser utilizada como un grado de libertad adicional en el proceso.