Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning

Tesi amb menció de Doctorat Internacional

Bibliographic Details
Author: Koetzsch, Anja
Format: doctoral thesis
Publication Date:2024
Country:España
Institution:Universitat Politècnica de Catalunya (UPC)
Repository:UPCommons. Portal del coneixement obert de la UPC
Language:English
OAI Identifier:oai:upcommons.upc.edu:2117/454067
Online Access:https://hdl.handle.net/2117/454067
https://dx.doi.org/10.5821/dissertation-2117-454067
Access Level:Open access
Keyword:67 - Indústries, comerços i oficis diversos
Àrees temàtiques de la UPC::Enginyeria tèxtil
id ES_6e73ba951afe1c1e9ae6a82e6db4eacb
oai_identifier_str oai:upcommons.upc.edu:2117/454067
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
title Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
spellingShingle Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
Koetzsch, Anja
67 - Indústries, comerços i oficis diversos
Àrees temàtiques de la UPC::Enginyeria tèxtil
title_short Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
title_full Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
title_fullStr Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
title_full_unstemmed Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
title_sort Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinning
dc.creator.none.fl_str_mv Koetzsch, Anja
author Koetzsch, Anja
author_facet Koetzsch, Anja
author_role author
dc.subject.none.fl_str_mv 67 - Indústries, comerços i oficis diversos
Àrees temàtiques de la UPC::Enginyeria tèxtil
topic 67 - Indústries, comerços i oficis diversos
Àrees temàtiques de la UPC::Enginyeria tèxtil
description Tesi amb menció de Doctorat Internacional
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-10-18
2026
2026-02-06
dc.type.none.fl_str_mv doctoral thesis
http://purl.org/coar/resource_type/c_db06
VoR
http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.openaire.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/2117/454067
https://dx.doi.org/10.5821/dissertation-2117-454067
url https://hdl.handle.net/2117/454067
https://dx.doi.org/10.5821/dissertation-2117-454067
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2

http://creativecommons.org/licenses/by/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2

http://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de Catalunya
publisher.none.fl_str_mv Universitat Politècnica de Catalunya
dc.source.none.fl_str_mv reponame:UPCommons. Portal del coneixement obert de la UPC
instname:Universitat Politècnica de Catalunya (UPC)
instname_str Universitat Politècnica de Catalunya (UPC)
reponame_str UPCommons. Portal del coneixement obert de la UPC
collection UPCommons. Portal del coneixement obert de la UPC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869410425091653632
spelling Integrating machine learning models to optimize nozzle design and enhance airflow dynamics in airjet spinningKoetzsch, Anja67 - Indústries, comerços i oficis diversosÀrees temàtiques de la UPC::Enginyeria tèxtilTesi amb menció de Doctorat Internacional(English) 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.(Català) 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.(Español) Esta investigación explora el uso de técnicas de aprendizaje automático para mejorar la eficiencia de producción en el hilado Airjet. Se enfoca en comprender los factores que afectan el flujo de aire mediante el examen de componentes de una boquilla de hilado, incluyendo el elemento de entrada de fibra, la boquilla inyectora y el huso de hilado. Se desarrolló un prototipo de boquilla de hilado Airjet para evaluar el flujo de aire de admisión y la tasa de flujo de aire, que sirven como base para un modelo de simulación. Se recolectaron empíricamente 501 puntos de datos, los cuales fueron analizados para desarrollar un modelo computacional impulsado por algoritmos de aprendizaje automático. La investigación se centra en la dinámica de las corrientes de aire dentro de la boquilla de hilado, cruciales para determinar las propiedades y calidad del hilo hilado. El fundamento de esta investigación radica en elucidar estas complejas interacciones, que tienen amplias implicaciones en la eficacia del proceso de hilado Airjet. Los modelos de aprendizaje automático desarrollados, especialmente CatBoost, fueron efectivos en detectar patrones en los datos. Estos patrones revelaron cómo factores como la velocidad de entrega, el material de la fibra y el diseño de la boquilla impactan la calidad del hilo. El estudio identificó relaciones significativas entre estos factores y propiedades del hilo como la pérdida de fibra, la uniformidad, la tenacidad a la ruptura y la elongación. Sin embargo, las redes neuronales enfrentaron desafíos debido a la variabilidad de los datos, destacando la necesidad de datos más refinados. Los hallazgos subrayan el impacto del diseño de la boquilla y los parámetros operativos en la dinámica del flujo de aire y la calidad del hilo. Por ejemplo, una menor área de la entrada de fibra mejora la uniformidad y tenacidad del hilo, mientras que ángulos más pronunciados y diámetros moderados de los orificios de la boquilla mejoran la uniformidad y resistencia del hilo. Además, puntas de huso más cortas y diámetros internos más pequeños del huso reducen la pérdida de fibra y mejoran la uniformidad del hilo. La tesis concluye con recomendaciones para optimizar el diseño de la boquilla de hilado Airjet basadas en los conocimientos obtenidos de los modelos de aprendizaje automático.Universitat Politècnica de Catalunya20242024-10-1820262026-02-06doctoral thesishttp://purl.org/coar/resource_type/c_db06VoRhttp://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/doctoralThesisapplication/pdfhttps://hdl.handle.net/2117/454067https://dx.doi.org/10.5821/dissertation-2117-454067reponame:UPCommons. Portal del coneixement obert de la UPCinstname:Universitat Politècnica de Catalunya (UPC)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2http://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessoai:upcommons.upc.edu:2117/4540672026-05-27T15:37:01Z
score 15.811543

Similar Items