40
Revista SLTCaucho | Ciencia y Tecnología en América Latina
CIENCIA Y TECNOLOGÍA
Optimización de la mezcla de caucho natural a través de la modelización basada en datos: ingeniería inversa - Parte 5 COLUMNISTAS INVITADOS Allen Jonathan Román (USA) ajroman@wisc.edu
Julio C. Rodríguez (COL) jcero@soanlaboratorios.com
Tim A. Osswald (USA/COL) tosswald@wisc.edu
Shiyi Qin (CHI)
sqin34@wisc.edu
Leonardo D. González gonzlezchvez@wisc.edu
Victor M. Zavala (MEX) victor.zavala@wisc.edu
Este artículo forma parte de una serie de 5 artículos que explican cómo los métodos computacionales, como el aprendizaje automático, pueden utilizarse para optimizar el proceso de formulación de propiedades específicas. En la primera parte explicamos la introducción y los métodos experimentales utilizados en el estudio, mientras que, en la segunda, los métodos computacionales utilizados. En la tercera parte, abordamos las conclusiones experimentales, y en la cuarta repasamos los resultados computacionales. En esta parte se explica cómo un usuario final puede utilizar los métodos computacionales, como el aprendizaje automático, para predecir las propiedades de los materiales y las formulaciones necesarias para llegar a las propiedades objetivo específicas. La RSM, la ANN y la GPR dan como resultado una precisión de predicción del 90 %, 97 % y 100 %, respectivamente.
Es evidente que la precisión de las pruebas aumenta con la complejidad del algoritmo; por lo tanto, estas metodologías proporcionan una amplia gama de herramientas capaces de predecir la formulación de compuestos en función de las propiedades objetivo especificadas, y con una amplia gama de complejidad. OPTIMIZACIÓN DEL DISEÑO DE MATERIALES Con industrias, como la del calzado, que avanzan hacia alternativas de materiales sostenibles para las suelas, las propiedades de interés podrían seleccionarse basándose en un material de calzado existente mediante técnicas de caracterización. Los métodos respectivos se aplicarían para predecir las mezclas que teóricamente presentarían las propiedades de interés. En esta sección, mostramos que los modelos predictivos desarrollados anteriormente pueden utilizarse para ayudar a la ingeniería inversa.