Defensa de Tesi Doctoral de Anja Koetzsch

Us informem de la defensa d'una tesi doctoral.

Autora: Anja Koetzsch
Títol: Integrating Machine Learning Models to Optimize Nozzle Design and Enhance Airflow Dynamics in Airjet Spinning
Direcció: José Antonio Tornero Garcia
Co-direcció: Thomas Weide
PD: Enginyeria Textil i Paperera

Data i hora de la defensa: 18 octubre, 10h
Lloc: Sala actes INTEXTER, edifici TR7

Resum de tesi: 

Aquesta investigació explora l'ús de tècniques d'aprenentatge automàtic per millorar l'eficiència de producció en el filat Airjet. Es centra en comprendre els factors que afecten el flux d'aire mitjançant l'examen dels components d'una boquilla de filat, incloent l'element d'entrada de fibra, la boquilla d'injecció i l'eix de filat. Es va desenvolupar un prototip de boquilla de filat Airjet per avaluar el flux d'aire d'entrada i la taxa de flux d'aire, que serveixen com a base per a un model de simulació. Es van recollir empíricament un total de 501 punts de dades, que es van analitzar per desenvolupar un model computacional impulsat per algoritmes d'aprenentatge automàtic.

La investigació té com a objectiu comprendre la dinàmica dels fluxos d'aire dins de la boquilla de filat, la qual cosa juga un paper fonamental en la determinació de les propietats i la qualitat del filat. La pedra angular d'aquesta investigació rau en l'elucidació d'aquestes interaccions complexes dins de la boquilla de filat, que al seu torn tenen implicacions de gran abast sobre l'eficàcia i l'eficiència del procés de filat Airjet.

Els models d'aprenentatge automàtic desenvolupats, particularment CatBoost, van ser efectius en la detecció de patrons dins les dades. Aquests patrons van revelar idees crítiques sobre com diversos factors, incloent la velocitat de lliurament, el material de la fibra i el disseny de la boquilla, impacten la qualitat del filat. L'estudi va identificar relacions significatives entre aquests factors i les propietats del filat, com la pèrdua de fibra, la uniformitat del filat, la tenacitat a la ruptura i l'elongació. Tanmateix, els models de xarxes neuronals, incloent les xarxes neuronals Feedforward i els autoencoders, van afrontar desafiaments a causa de la variabilitat del conjunt de dades, destacant la necessitat de dades més refinades.

Les troballes ressalten l'impacte significatiu del disseny de la boquilla i els paràmetres operatius tant en la dinàmica del flux d'aire com en la qualitat del filat. Per exemple, es va trobar que una àrea de secció transversal més petita de l'entrada de fibra millora la uniformitat i la tenacitat del filat, mentre que els angles més pronunciats i els diàmetres moderats dels orificis de la boquilla d'injecció milloren la uniformitat i la resistència del filat. A més, les puntes de l'eix de filat més curtes i els diàmetres interiors més petits de l'eix de filat estan associats amb una reducció de la pèrdua de fibra i una millora de la uniformitat del filat.

La tesi conclou oferint recomanacions per optimitzar el disseny de la boquilla de filat Airjet basades en les idees obtingudes dels models d'aprenentatge automàtic.

Thesis summary
This research delves into using Machine Learning techniques to enhance production efficiency in Airjet spinning. It focuses on understanding the factors that affect airflow by examining the components of a spinning nozzle, including the fiber inlet element, injector nozzle and spinning spindle. A prototype Airjet spinning nozzle was developed to evaluate the Intake Airflow and Airflow Rate, the basis for a simulation model. Five hundred-one data points were empirically gathered and analyzed to develop a computational model driven by Machine Learning algorithms.
The investigation targets understanding the dynamics of airflows within the spinning nozzle, which plays a pivotal role in determining the properties and quality of the spun yarn. The cornerstone of this research lies in elucidating these complex interactions within the spinning nozzle, which, in turn, have far-reaching implications for the effectiveness and efficiency of the Airjet spinning process.
The developed Machine Learning models, particularly CatBoost, effectively detected patterns within the data. These patterns revealed critical insights into how various factors impact yarn quality, including delivery speed, fiber material, and nozzle design. The study identified significant relationships between these factors and yarn properties, such as fiber loss, yarn evenness, breaking tenacity and elongation. However, neural network models, including Feedforward Neural Networks and autoencoders, faced challenges due to dataset variability, highlighting the need for more refined data.
Findings highlight the significant impact of nozzle design and operational parameters on airflow dynamics and yarn quality. For instance, a smaller cross-sectional area of the fiber inlet improves yarn evenness and tenacity. At the same time, steeper angles and moderate diameters of the injector nozzle orifices enhance yarn evenness and strength. Additionally, shorter spindle tips and smaller inner diameters of the spinning spindle are associated with reduced fiber loss and improved yarn evenness.
The thesis concludes by offering recommendations for optimizing Airjet spinning nozzle design based on the insights gleaned from the ML models.