Banca de QUALIFICAÇÃO: GUILHERME AUGUSTO VILAS BOAS VASCONCELOS

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : GUILHERME AUGUSTO VILAS BOAS VASCONCELOS
DATA : 11/12/2024
HORA: 14:30
LOCAL: meet.google.com/fdz-zsys-qnv
TÍTULO:

Otimização multiobjetivo no fresamento de topo do aço inoxidável duplex UNS S32205 por meio de aprendizado de máquina

PALAVRAS-CHAVES:

 Redes neurais artificiais, Taxa de Remoção de Material, Rugosidade

Superficial, Fresamento de Topo, Inteligência Artificial.

PÁGINAS: 117
RESUMO:

Com a crescente demanda por redução de custos nos processos de manufatura, a otimização de operações como o fresamento torna-se fundamental, especialmente por seu papel crucial na produção de peças de alta precisão. O fresamento de topo é amplamente utilizado na usinagem de materiais complexos, como o aço inoxidável duplex UNS S32205, que, embora ofereça alta resistência e durabilidade, apresenta desafios significativos de usinabilidade devido à sua baixa condutividade térmica e tendência ao encruamento. Neste contexto, esta tese propõe uma abordagem de otimização multiobjetivo para o processo de fresamento de topo do aço inoxidável duplex, utilizando técnicas de aprendizado de máquina para prever a rugosidade superficial (Ra) e a taxa de remoção de material (MRR). Foram aplicados modelos de Máquinas de Vetores de Suporte (SVM), Árvores de Decisão (DTR), Florestas Aleatórias (RF) e Redes Neurais Artificiais (RNA). A base de dados foi criada com base na metodologia de superfície de resposta e no projeto de parâmetros robustos (arranjo combinado), levando em consideração tanto as variáveis de controle (velocidade de corte, avanço por dente, profundidade de corte e largura fresada) quanto as variáveis de ruído (desgaste de flanco, vazão de fluido e comprimento em balanço). Para a seleção do melhor modelo, foram utilizadas métricas de avaliação como raiz do erro quadrático médio (RMSE), erro absoluto médio (MAE), erro quadrático médio (MSE) e validação cruzada (CV). Os resultados mostraram que os modelos de aprendizado de máquina aprenderam eficientemente a partir dos dados. Para a rugosidade superficial (Ra), todos os modelos se ajustaram bem, mas as redes neurais, especialmente o modelo 7-20-14-1, destacaram-se, apresentando os melhores resultados, com coeficiente de determinação (R2) de 0,92, RMSE de 0,06 e CV de 0,90. Já para a taxa de remoção de material (MRR), o modelo SVM apresentou o melhor desempenho, com R2 de 0,93, RMSE de 9,12 e CV de 0,81. O uso de técnicas de aprendizado de máquina provou ser eficiente, destacando a importância de desenvolver modelos que considerem os ruídos inerentes ao processo, proporcionando previsões mais próximas da realidade.

MEMBROS DA BANCA:
Presidente - 1714699 - MIRIAN DE LOURDES NORONHA MOTTA MELO
Externo ao Programa - 2087102 - JOSE HENRIQUE DE FREITAS GOMES - UNIFEIExterno ao Programa - 3291994 - MATHEUS BRENDON FRANCISCO - UNIFEIExterno à Instituição - FABRICIO ALVES DE ALMEIDA - UNIFEI
Externo à Instituição - FÁBIO GATAMORTA - UERJ