Estévez Urra, Aída2025-07-222025-07-222025Sánchez-Ros Domínguez, P. (2025). Determinación de la rugosidad superficial en procesos de torneado y fresado mediante modelos de regresión. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/175511Este Trabajo de Fin de Grado tiene como objetivo principal el cálculo, análisis y predicción de la rugosidad superficial en procesos de mecanizado, centrándose específicamente en las operaciones de torneado y fresado. La rugosidad superficial es un parámetro fundamental en la caracterización de la calidad final de las superficies mecanizadas, ya que afecta directamente al rendimiento funcional de las piezas, su vida útil, su comportamiento frente al desgaste y la fricción. Para abordar este estudio, se ha hecho uso de técnicas avanzadas de inteligencia artificial, con el fin de desarrollar un modelo predictivo capaz de estimar con precisión el valor de la rugosidad superficial a partir de diversos parámetros de corte. Entre las variables consideradas se incluyen la velocidad de corte, el avance y la profundidad de corte, factores que influyen significativamente en el acabado superficial obtenido tras el proceso de mecanizado. El enfoque predictivo basado en IA representa una alternativa eficiente y flexible frente a los métodos tradicionales de evaluación, que requieren ensayos físicos costosos y tiempo de máquina. El estudio se ha estructurado en dos grandes bloques experimentales, correspondientes a los procesos de torneado y fresado. En cada uno de ellos se ha trabajado con cuatro materiales distintos, lo que ha permitido analizar cómo influye la naturaleza del material sobre los resultados de rugosidad. Esta comparativa ha sido clave para determinar la capacidad de generalización del modelo y su utilidad práctica en contextos reales de fabricación. Los datos obtenidos a partir de los ensayos experimentales han servido tanto para entrenar el modelo como para validar su precisión. Las predicciones generadas se han contrastado con los valores reales de rugosidad medidos en laboratorio mediante instrumentos de medición especializados, lo que ha permitido cuantificar el grado de exactitud alcanzado por el modelo. Los resultados obtenidos han demostrado que el uso de inteligencia artificial en este contexto no solo permite predecir la rugosidad con una notable fiabilidad, sino que además contribuye a optimizar los procesos de mecanizado mediante la anticipación de resultados y la toma de decisiones basada en datos. En definitiva, este trabajo muestra el potencial de aplicar tecnologías emergentes como la inteligencia artificial en entornos industriales tradicionales, favoreciendo una producción más eficiente, controlada y orientada a la calidad.This Final Degree Project focuses on the calculation, analysis, and prediction of surface roughness in machining processes, specifically in turning and milling operations. Surface roughness is a key parameter for evaluating the final quality of machined parts, as it directly affects their functional performance, durability, and resistance to wear and friction. To carry out this study, advanced artificial intelligence (AI) techniques have been used to develop a predictive model capable of accurately estimating surface roughness values based on various cutting parameters. These include cutting speed, feed rate, and depth of cut all of which significantly influence the surface finish achieved during machining. The AI-based predictive approach offers a more efficient and flexible alternative to traditional evaluation methods, which usually require costly physical tests and machine time. The study is divided into two main experimental sections: one for turning and one for milling. In each section, four different materials have been tested, allowing the influence of the material type on the surface quality to be analyzed. This comparison has been essential for evaluating the model’s ability to generalize and for assessing its practical usefulness in real manufacturing environments. The data obtained from the experiments have been used both to train and validate the model. The predictions made by the AI system have been compared with real surface roughness measurements taken in the lab using specialized equipment. This has allowed the model’s accuracy to be quantified. The results show that AI can reliably predict surface roughness and can help optimize machining processes by anticipating outcomes and supporting data-driven decision-making. In conclusion, this project highlights the potential of using emerging technologies like artificial intelligence in traditional industrial settings, promoting more efficient, controlled, and quality-oriented production.application/pdf123 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess