Browsing by Author "Ferrari, Guido"

Filter results by typing the first few letters
Now showing 1 - 6 of 6
  • Thumbnail Image
    Item
    Análisis de la emisión acústica en perforado de materiales geológicos con diferente granulometría
    (Congreso Internacional de Metalurgia y Materiales SAM-CONAMET 2018, 2018-10-30) Ferrari, Guido; Gómez, Martín Pedro; Basgall, Angel
    En el presente trabajo se aplica la técnica de Emisión Acústica como herramienta de análisis del proceso de corte en materiales geológicos realizado con una máquina perforadora de mediana escala. La generación de las ondas elásticas durante el corte es dependiente del material cortado y de las características mecánicas del proceso, entre otras cosas. El monitoreo de las ondas elásticas en el rango del ultrasonido permitió extraer información y clasificar los dos diferentes tipos de materiales geológicos perforados. Para esto, se entrenó una red neuronal tipo Kohonen que pudo clasificar rápidamente y con bajo error la información obtenida en los ensayos.
  • Thumbnail Image
    Item
    Caracterización de las etapas del perforado de probetas multicapas de geomateriales por análisis de la emisión acústica generada durante el proceso de taladrado.
    (13° Encuentro del Centro Internacional de Ciencias de la Tierra (E-ICES 13), 2015-03-12) Ferrari, Guido; Gómez, Martín Pedro
    El proceso de perforación implica el corte de un material mediante una herramienta a la cual se le imprime una acción de torque en rotación y empuje. Esta energía proporcionada al proceso se utiliza para cortar, fracturar, raspar, pulverizar y deformar plásticamente el material entre otras cosas. Todas estas operaciones generan fricción, calor y ondas elásticas ultrasónicas las cuales se propagan por el medio en forma de pulsos discretos y continuos que pueden ser monitoreados mediante, la técnica de END e investigación, de Emisión Acústica (EA). Esta energía elástica asociada al proceso de perforación varía con las condiciones de corte (rpm, fuerza de avance y torque), el material cortado (propiedades mecánicas y morfología del material), la geometría del cortador (ángulos de ataque y descarga, desgaste) y otras condiciones como la lubricación y la forma de extracción del material cortado. Manteniendo las variables del proceso constantes y modificando el material geológico a taladrar, se encuentra que la firma acústica del proceso varía a medida que se modifica el material cortado, lo que hace posible su caracterización. Esta modificación en la firma acústica del proceso está relacionado con la energía necesaria para producir la fractura del material, la granulometría del mismo, el elemento de consolidación de las partículas que forman la roca y otras propiedades asociadas al material. Estos ensayos muestran que la información producida por la modificación en las señales de EA en los diferentes geomateriales puede ser eventualmente utilizada para la toma de decisiones sobre el proceso de taladrado. Complementando la información acústica con otros parámetros de perforación tales como la fuerza de avance, el torque, la tasa de penetración se pueden generar modelos de operación que permitan un monitoreo más eficiente del proceso.
  • Thumbnail Image
    Item
    Caracterización del taladrado a partir del análisis de señales de emisión acústica emitidas durante la acción de brocas en diferentes condiciones de corte.
    (2021-12-24) Ferrari, Guido; Gómez, Martín Pedro
    El presente trabajo se basa en el monitoreo mediante emisión acústica de la herramienta de corte en un proceso de perforación de material geológico y la utilización de redes neuronales tipo Kohonen, y análisis de correlación para a identificación y clasificación de la información.
  • Thumbnail Image
    Item
    Comportamiento magnético del acero AISI 304 en ensayos de tracción uniaxial
    (2018-07-19) Neyra Astudillo, Miriam Rocio; Scagnetti, Hugo Juan; Nuñez, Nicolás; Ferrari, Guido; López Pumarega, Isabel; Gomez, Martín; Ruzzante, José; Padovese Rodrigues, Linilson
    Durante el proceso de magnetización de un material ferromagnético, las paredes de los dominios magnéticos son forzadas a moverse bajo la influencia del campo magnético. Para que las paredes se puedan mover deben superar la resistencia producida por los puntos de anclaje (borde de grano, dislocaciones, inclusiones, etc.), ocasionando saltos discretos en la magnetización. Estos saltos se pueden detectar con una bobina sensora colocada sobre la superficie de la muestra, que los transforma en pulsos de voltaje. Estos últimos son conocidos como Ruido Magnético Barkhausen (RMB). En este trabajo se continúa el estudio de ensayos de tracción uniaxial, hasta rotura, en probetas de acero AISI 304 (no magnético), en las cuales, como consecuencia de la deformación, aparece una fase ferromagnética que sí produce RMB. Las mediciones se realizaron a diferentes cargas con el fin de observar cómo cambiaban las características del RMB. A partir de las señales obtenidas en las mediciones, se diseñó un filtro digital con el propósito de eliminar todo tipo de señal espuria e individualizar el RMB. Para tal propósito se utilizó un filtro digital Butterworth con banda pasante (2- 200) kHz. La selección del tipo de filtro se debe a que éste presenta una respuesta prácticamente constante hasta la frecuencia de corte, obteniéndose una respuesta plana a lo largo de la banda pasante. Para cada valor de carga se analizaron por separado las señales de RMB respecto de las etapas de aumento y disminución del campo magnético de excitación. Con el objetivo de caracterizar cada etapa, se estimaron diversos parámetros estadísticos que fueron evaluados en función de la deformación aplicada. Por último se calculó la evolución temporal de las señales y su función cuadrática media (RMS) para cada etapa de la magnetización, realizándose la correlación cruzada con el propósito de evaluar el grado de semejanza existente entre cada parte de la señal.
  • Thumbnail Image
    Item
    Detección de descargas parciales en transformadores por emisión acústica
    (2020) Retrive, Gastón Alejandro; Gomez, Martin; Ferrari, Guido
    En este trabajo se presentan los fundamentos teóricos, se implementa y aplica un método para diagnosticar las condiciones dieléctricas del aislamiento del transformador durante su operación normal, mediante la detección de descargas eléctricas que son precursoras de la ruptura del dieléctrico. Esto se puede realizar mediante la colocación de sensores piezoeléctricos que se adosan a las paredes del transformador y captan las ondas elásticas generadas por las Descargas Parciales [DPs]. Esta metodología de Emisión Acústica [EA] es una técnica de Ensayos No Destructivos [END] que tiene amplia aplicación en ensayos de tipos industriales como por ejemplo la detección de fisuras y fracturas en recipientes a presión, análisis de corrosión en superficies metálicas, detección de fracturas en hormigón y materiales compuestos por fibra de vidrio y fibra de carbono en matriz epoxi. De esta manera se aplicara la técnica de EA en un ensayo normalizado de rigidez dieléctrica en un aislante líquido de manera de monitorear todo el proceso y recolectar las señales características de este proceso de descarga. Una vez caracterizadas estas señales, quedan parametrizadas las características que idealmente se deberían buscar en ensayos a plena escala en transformadores de potencia como indicios precursores de falta de aislación, deterioro del estado del aceite aislante u otros defectos que puedan producir este tipo de descarga. Esto brinda una metodología de ensayos preventiva y predictiva del estado general del transformador y eventualmente de los lugares donde se está sufriendo un deterioro prematuro.
  • Thumbnail Image
    Item
    Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
    (2019) Ferrari, Guido; Gómez, Martín; Basgall, Angel
    Una Red Neuronal Artificial (RNA) es un modelo matemático computacional que intenta imitar, limitadamente, la estructura y funcionamiento de neuronas biológicas las cuales, a grandes rasgos, toman señales eléctricas de entrada y producen una señal de salida llamada respuesta. Mediante la combinación de una cantidad grande de neuronas artificiales, estas pueden tener la capacidad de “aprender” patrones específicos en el análisis de señales e inferir resultados. Estas redes pueden ser utilizadas en una amplia gama de aplicaciones como clasificación de objetos o señales, aproximación de funciones, conducción autónoma, reconocimiento de voz, análisis y tratamiento de imágenes o textos, etc. Las RNA tipo mapa auto-organizado (SOM Self Organized Map) o también llamadas Redes Kohonen realizan una suma ponderada de los datos multidimensionales de entrada, los cuales son afectados individualmente por un valor numérico denominado peso. Luego mediante una competencia entre neuronas se selecciona una ganadora y se procede a realizar un ajuste de vecindad para que la señal de salida sea más parecida a la señal de entrada. Esto genera un mapa en dos dimensiones donde la información se muestra organizada en zonas que tienen características similares. Los pesos de cada neurona se modifican continuamente y de diferente manera durante varias “épocas” (época se Una Red Neuronal Artificial (RNA) es un modelo matemático computacional que intenta imitar, limitadamente, la estructura y funcionamiento de neuronas biológicas las cuales, a grandes rasgos, toman señales eléctricas de entrada y producen una señal de salida llamada respuesta. Mediante la combinación de una cantidad grande de neuronas artificiales, estas pueden tener la capacidad de “aprender” patrones específicos en el análisis de señales e inferir resultados. Estas redes pueden ser utilizadas en una amplia gama de aplicaciones como clasificación de objetos o señales, aproximación de funciones, conducción autónoma, reconocimiento de voz, análisis y tratamiento de imágenes o textos, etc. Las RNA tipo mapa auto-organizado (SOM Self Organized Map) o también llamadas Redes Kohonen realizan una suma ponderada de los datos multidimensionales de entrada, los cuales son afectados individualmente por un valor numérico denominado peso. Luego mediante una competencia entre neuronas se selecciona una ganadora y se procede a realizar un ajuste de vecindad para que la señal de salida sea más parecida a la señal de entrada. Esto genera un mapa en dos dimensiones donde la información se muestra organizada en zonas que tienen características similares. Los pesos de cada neurona se modifican continuamente y de diferente manera durante varias “épocas” (época se denomina a cada paso de ajuste de los pesos) hasta minimizar el error de la respuesta. Este proceso se denomina entrenamiento, donde específicamente para esta red, es un aprendizaje de tipo no supervisado. En este trabajo se utilizan RNA tipo SOM para el estudio de señales emisión acústica (EA) provenientes de un proceso perforación de materiales geológicos dispuestos en capas y asociados mediante un cementicio, con los cuales se construyeron probetas de tamaño de laboratorio (320x320x400 mm). El taladrado se realizó con brocas de 65 mm de diámetro, con insertos monofilo de carburo de tungsteno, haciendo cuatro agujeros por cada probeta multicapa, y se midió la EA durante cada perforación. Luego de un proceso de entrenamiento detallado y una selección rigurosa de la información, esta RNA mostró la capacidad de reconocer las diferentes capas de cada probeta a partir del procesamiento de las señales de EA obtenidas durante el proceso de perforación.