Este estudio presenta un enfoque de aprendizaje automático (ML) basado en aumento de gradiente desarrollado para predecir la velocidad de corte y la tasa de alimentación en operaciones de aserrado con banda. El modelo se construyó utilizando un conjunto de datos de 1701 muestras experimentales de tres tipos de materiales comúnmente industriales: AISI 304, CK45, y AISI 4140. Cada muestra fue definida por parámetros clave del proceso, a saber, tipo de material, un rango de dureza de 15 a 44 HRC, y un rango de diámetro de 100 a 500 mm, con velocidad de corte y tasa de alimentación como variables objetivo. Se examinaron y compararon cinco modelos de ML en este estudio, incluidos la regresión lineal (LR), la regresión de vectores de soporte (SVR), la regresión de bosque aleatorio (RFR), el aumento de mínimos cuadrados (LSBoost), y el aumento de gradiente extremo (XGBoost). El entrenamiento y la validación del modelo se realizaron utilizando validación cruzada de cinco pliegues. Los resultados muestran que el modelo XGBoost ofrece la mayor precisión. Para la estimación de la velocidad de corte, los valores de rendimiento de XGBoost son un RMSE de 0.213, un MAE de 0.140, un R2 de 0.999, y un MAPE de 0.407%; y para la estimación de la tasa de alimentación, un RMSE de 0.259, un MAE de 0.169, un R2 de 0.999, y un MAPE de 1.14%. Estos resultados indican que los métodos de conjunto basados en gradiente capturan el comportamiento no lineal de los parámetros de corte de manera más efectiva que las técnicas lineales o basadas en núcleos, proporcionando un enfoque práctico y robusto para la optimización basada en datos en la fabricación inteligente.
Hayber et al. (Mon,) estudiaron esta cuestión.