Publicación: APLICACIÓN DE REDES NEURONALES EN LA CLASIFICACIÓN DE ARCILLAS (APPLICATION OF NEURAL NETWORKS IN CLASSIFICATION OF CLAYS)
Portada
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Las arcillas son la materia prima fundamental en la fabricación de productos para el sector constructor tales como baldosas, enchapes, pavimentos y ladrillos. Las pequeñas y medianas industrias ladrilleras por lo general utilizan arcillas de diverso origen mineralógico, clasificadas para formular sus mezclas con base en la experiencia del equipo de personas responsables de la producción; la incertidumbre asociada con este método causa que una parte de sus productos se rechacen después de fabricados, porque sus propiedades no cumplen las especificaciones técnicas. En este artículo se presenta una metodología basada en redes neuronales que permite clasificar, con base en sus propiedades, las arcillas que se van a usar para componer las pastas, con el propósito de disminuir la cantidad de producto rechazado. Se emplearon diversas topologías de red para la clasificación, lo cual permitió encontrar una capaz de predecir las muestras de entrenamiento y prueba con 97,79 % y 94,12 % de precisión, respectivamente.Abstract: Clays are the main raw material in the manufacture of products for the construction sector, such as tile, veneer, flooring and bricks. Small and medium enterprises generally use brick clays of different mineralogical origin, classified in order to formulate their mixtures according to the production team experience; the uncertainty associated with this method causes that a portion of their manufactured products are rejected, because their properties do not meet the technical specifications. This paper presents a methodology based on neural networks for classification of clays, based on the clay properties to be used to make the pasta, with the aim of reducing the number of rejected products. It used different network topologies for classification, and chose the one which have been found capable to predict the training and testing samples with an accuracy of 97.79 % and 94.12 %, respectively.
Resumen en inglés
Las arcillas son la materia prima fundamental en la fabricación de productos para el sector constructor tales como baldosas, enchapes, pavimentos y ladrillos. Las pequeñas y medianas industrias ladrilleras por lo general utilizan arcillas de diverso origen mineralógico, clasificadas para formular sus mezclas con base en la experiencia del equipo de personas responsables de la producción; la incertidumbre asociada con este método causa que una parte de sus productos se rechacen después de fabricados, porque sus propiedades no cumplen las especificaciones técnicas. En este artículo se presenta una metodología basada en redes neuronales que permite clasificar, con base en sus propiedades, las arcillas que se van a usar para componer las pastas, con el propósito de disminuir la cantidad de producto rechazado. Se emplearon diversas topologías de red para la clasificación, lo cual permitió encontrar una capaz de predecir las muestras de entrenamiento y prueba con 97,79 % y 94,12 % de precisión, respectivamente.Abstract: Clays are the main raw material in the manufacture of products for the construction sector, such as tile, veneer, flooring and bricks. Small and medium enterprises generally use brick clays of different mineralogical origin, classified in order to formulate their mixtures according to the production team experience; the uncertainty associated with this method causes that a portion of their manufactured products are rejected, because their properties do not meet the technical specifications. This paper presents a methodology based on neural networks for classification of clays, based on the clay properties to be used to make the pasta, with the aim of reducing the number of rejected products. It used different network topologies for classification, and chose the one which have been found capable to predict the training and testing samples with an accuracy of 97.79 % and 94.12 %, respectively.