Artificial neural network and regression modelling to study the effect of reinforcement and deformation on volumetric wear of red mud nano particle reinforced aluminium matrix composites synthesized by stir casting

Se utilizó el método de red neuronal artificial (RNA) para predecir el efecto del refuerzo y la deformación sobre el desgaste volumétrico de los materiales compuestos de matriz de aluminio reforzada con nanopartículas de barro rojo sintetizados por agitación. El barro rojo obtenido de la industria de procesamiento de alúmina se molió en un molino de bolas de alta energía y el tamaño de la partícula se redujo a 40 nm en 30 h. Las características de desgaste de los materiales compuestos se evaluaron en los probadores pin-on-disk de desgaste en diferentes cargas de 10N, 20N y 30N, y velocidades de deslizamiento de 200, 400 y 600 rpm. El índice de desgaste del material compuesto se redujo con el aumento en la fracción de peso del barro rojo hasta el 10% y por encima de este, de manera que el índice de desgaste aumentó. El área interfacial entre la matriz y el refuerzo aumenta con el incremento de la fracción volumétrica del barro rojo, lo que produce un aumento de la fuerza y la resistencia al desgaste. El modelo de regresión matemática y el modelo de RNA se desarrollaron para predecir el índice de desgaste teórico del material compuesto y se observó que las predicciones de la RNA están en excelente acuerdo con los valores medidos si se los compara con otros modelos. Por tanto, la predicción del índice de desgaste de los nanocompuestos cuando se utiliza red neural artificial antes de la fabricación real ahorrará considerablemente tiempo, esfuerzo y coste al proyecto.