7th IMRMPT

First slide

First slide

Abstract

Abstract information

English title:	Optimization strategies of thermal spray processes
Spanish title:	Estrategias de optimizaci�n de procesos de rociado t�rmico
English abstract:	Thermal spray includes a family of technologies for depositing metals, ceramics, cermets, etc. In these processes, a spray plume is formed due to the combination of operation parameters where complex plume-particle interactions occur that define the physical, structural, functional, etc. properties of the deposits. The temperature, velocity, and size of the particles in flight significantly influence the microstructure of the coating. The plume-particle interactions can be optimized using process maps, which in turn allow defining process windows representing the specific temperature and velocities of the particles in flight. Process maps describe the individual effect of particle velocity and temperature on specific coating properties, e.g. different microstructural characteristics, deposition efficiency, adhesion, mechanical properties, etc. Control strategies require the use of suitable in-flight particle diagnostic instruments, which allow the determination of their thermophysical properties and, many of which are commercially available, such as Spraywatch, DPV Evolution, and Accuraspray. However, although the operating parameters of most thermal spray processes can be controlled, the state of the particles being deposited to the substrate can change significantly over time due to wear of nozzles, electrodes, gas quality, etc. Thermal spray optimization consists of recovering the original average temperature and velocity of the particles in flight and, thus, the microstructure of the coating. At Cinvestav, CENAPROT, different strategies are being used to map and control thermal spray technologies, guaranteeing predefined levels of the properties of different coatings. This includes using high-precision diagnostic instruments and the development of alternative methods of functional data acquisition that are flexible and at a low cost. The diagnostic results serve as physical models for mathematical modeling of thermal spray processes, using, for example, computational fluid dynamics, which is also performed at CENAPROT. Computational fluid dynamics provides valuable information on theoretical temperature and velocity characteristics associated with individual particles in flight. However, due to the complex and interconnected nature of the thermal spray, computational fluid dynamics does not allow a global view of the whole process and the dependencies between the different inputs and outputs. For this purpose, big data and artificial intelligence analysis tools are undoubtedly useful. Transforming spray plume features to massive data by monitoring their luminosity, which allows the detection of shock diamonds in high-speed burning thermal spray, is a strategy currently being pursued at CENAPROT. The more data extracted from spray plume diagnostics and the development of methods capable of interpreting them properly, the more we can aspire to optimize thermal spray processes. The complexity of thermal spray is a typical case for applying machine learning techniques whose algorithms contain models based on sample data, known as training data, to make predictions or decisions. Machine learning, considered part of artificial intelligence, implements artificial neural network analysis. The methods presented in this contribution are general and applicable to any thermal spray process.
Spanish abstract:	El rociado t�rmico incluye una familia de tecnolog�as para el dep�sito de metales, cer�micos, cermets, etc. En estos procesos se forma una pluma de rociado como resultado de la combinaci�n de los par�metros del operaci�n en donde se presentan complejas interacciones pluma-part�cula que definen las propiedades f�sicas, estructurales, funcionales, etc. de los dep�sitos. La temperatura, velocidad y tama�o de las part�culas en vuelo influyen significativamente en la microestructura del recubrimiento. Las interacciones pluma-part�cula pueden optimizarse mediante los llamados mapas de proceso, que permiten definir a su vez ventanas de proceso que representan la temperatura y velocidades espec�ficas de las part�culas en vuelo. Los mapas de proceso describen el efecto individual de la velocidad y la temperatura de las part�culas sobre propiedades espec�ficas del recubrimiento; por ejemplo, diferentes caracter�sticas microestructurales, de eficiencia del dep�sito, de adherencia, propiedades mec�nicas, etc. Las estrategias de control requieren el uso de instrumentos de diagn�stico de part�culas en vuelo adecuados, que permiten la determinaci�n de sus propiedades termof�sicas y muchos de los cuales est�n disponibles comercialmente tales como Spraywatch, DPV Evolution, Accuraspray. Sin embargo, aunque los par�metros de operaci�n de la mayor�a de procesos de rociado t�rmico se pueden controlar, el estado de las part�culas que se depositan al sustrato puede cambiar significativamente con el tiempo por desgaste de boquillas, electrodos, calidad de gases, etc. La optimizaci�n del rociado t�rmico consiste en recuperar la temperatura y velocidad medias originales de las part�culas en vuelo y con ello la microestructura del recubrimiento. En Cinvestav, CENAPROT se est�n utilizando diferentes estrategias para mapear y controlar tecnolog�as de rociado t�rmico, garantizando niveles predefinidos de las propiedades de diferentes recubrimientos. Esto incluye el uso de instrumentos de diagn�stico de alta precisi�n y el desarrollo de m�todos alternativos de adquisici�n de datos funcionales, flexibles a bajo costo. Los resultados de diagn�stico sirven como modelos f�sicos para el modelado matem�tico de procesos de rociado t�rmico, utilizando, por ejemplo, din�mica de fluidos computacional, que tambi�n se realiza en CENAPROT. La din�mica de fluidos computacional proporciona informaci�n valiosa sobre caracter�sticas te�ricas de temperatura, velocidad asociado a part�culas individuales en vuelo. Sin embargo, la din�mica de fluidos computacional no permite obtener una visi�n global de todo el proceso y las dependencias entre las diferentes entradas y salidas, debido a la naturaleza compleja e interconectada del rociado t�rmico. Para ello, el uso de herramientas de an�lisis de big data e inteligencia artificial es sin lugar a dudas �til para este tipo de prop�sitos. La transformaci�n de las caracter�sticas de la pluma de rociado a datos masivos mediante el monitoreo por ejemplo de su luminosidad, que permite ver diamantes de choque en rociado t�rmico de combusti�n de alta velocidad es una estrategia que se sigue actualmente en CENAPROT. Es claro que entre m�s datos se extraigan del diagn�stico de la pluma de rociado y se desarrollen m�todos capaces de interpretarlos adecuadamente se podr� aspirar a optimizar los procesos de rociado t�rmico. La complejidad del rociado t�rmico es un caso t�pico para aplicar t�cnicas de aprendizaje de m�quina cuyos algoritmos contienen modelos basados en datos de muestra, conocidos como datos de entrenamiento, para hacer predicciones o tomar decisiones. El de aprendizaje de m�quina, considerado parte de la inteligencia artificial, implementa an�lisis de redes neuronales artificiales. Los m�todos presentados en esta contribuci�n son generales y aplicables a cualquier proceso de rociado t�rmico.
Topic:
Presentation Type:
Speaker:

Authors

Name	Institution	Email
Juan Sebastian Castillo Figueroa	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	juan.castillo.f@cinvestav.mx
Luis Javier Buenrostro Huerta	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	l20121414@morelia.tecnm.mx
Nestor Giovanny Yomayuza Sierra	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	nestor.yomayuza@cinvestav.mx
Sergio Daniel Rodr�guez Ar�valo	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	sergio.rodriguez.a@cinvestav.mx
Aixa ibeth Gutierrez Perez	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	aigutierrez@cinvestav.mx
Jesus Ganz�lez Hern�ndez	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	jesusgonzalez@cinvestav.mx
Juan Mu�oz Salda�a	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	jmunoz@cinvestav.mx
Victor Dahian Saldarriaga Montoya	Centro de Investigaci�n y de Estudios Avanzados del Instituto Polit�cnico Nacional, CINVESTAV	victor.saldarriaga@cinvestav.mx

Presentation

Room:	Principal Room
Date:	August 8, 2024
Hour:	18:00 - 18:30

Back

VI WMSSE

VI Workshop on Modeling and Simulation for Science and Engineering

Contact information:

   info@foristom.org
   @FORISTOMFound
   FORISTOMFoundation
   foristomfoundation

Copyright 2024 FORISTOM
All rights reserved

Previous editions:

I WMSSE
II WMSSE
III WMSSE
IV WMSSE
V WMSSE