Title

USO DE INTELIGÊNCIA ARTIFICIAL, AUTO APRENDIZAGEM DE MÁQUINA, PARA MODELAGEM PREDITIVA DE PROPRIEDADES METALÚRGICAS DE PRODUTOS DE AÇO LAMINADOS A QUENTE

USE OF ARTIFICIAL INTELLIGENCE, AUTO MACHINE LEARNING, FOR PREDICTIVE MODELLING OF METALLURGICAL PROPERTIES OF HOT-ROLLED STEEL PRODUCTS

Authorship

OLIVEIRA, ALISSON PAULO DE; LOURENÇO, LEONARDO SENE DE

OLIVEIRA, ALISSON PAULO DE

I am this author

LOURENÇO, LEONARDO SENE DE

I am this author

DOI

10.5151/Fault-40940

Downloads

Abstract

ESTE TRABALHO TEVE COMO OBJETIVO A MODELAGEM PREDITIVA, COM INTELIGêNCIA ARTIFICIAL, DAS PROPRIEDADES MECâNICAS DE PERFIS DE AçO ARBL LAMINADOS A QUENTE. OS MODELOS FORAM BASEADOS EM DADOS HISTóRICOS DE PROPRIEDADES MECâNICAS, E NA COMPOSIçãO QUíMICA DAS CORRIDAS E PARâMETROS DO PROCESSO DE LAMINAçãO. FOI UTILIZADA UMA PLATAFORMA AUTO-MACHINE LEARNING. ESTA FERRAMENTA é CAPAZ DE TESTAR SIMULTANEAMENTE DEZENAS DE ALGORITMOS VISANDO O MENOR ERRO. MODELOS SIMPLIFICADOS FORAM CONSTRUíDOS COM BASE EM ANáLISES ESTATíSTICAS DA BASE DE DADOS, E MODELOS AMPLIADOS FORAM DESENVOLVIDOS UTILIZANDO TODOS OS DADOS DISPONíVEIS. OS MODELOS FORAM DESENVOLVIDOS PARA SEREM METALURGICAMENTE COERENTES COM AS TENDêNCIAS CIENTíFICAS, APESAR DA PRECISãO MATEMáTICA. OS RESULTADOS ALINHARAM-SE BEM COM AS TENDêNCIAS ESPERADAS NA MAIORIA DOS CASOS. FOI POSSíVEL AVALIAR O EFEITO ISOLADO DAS VARIáVEIS. OS MODELOS EXPANDIDOS FORAM CAPAZES DE GERAR PREVISõES COM MENOR ERRO ESTATíSTICO. A VARIABILIDADE DOS DADOS é UM FATOR IMPORTANTE PARA O SUCESSO DOS MODELOS PREDITIVOS. TAIS MODELOS PERMITEM QUE O PROJETO DE LIGA SEJA REALIZADO COM MAIOR PRECISãO, MENORES CUSTOS DE PRODUçãO E MELHOR COMPREENSãO DO EFEITO DA VARIáVEL DE ENTRADA. A TOMADA DE DECISõES BASEADA EM DADOS NAS ATIVIDADES DE PRODUçãO E P&D é APRIMORADA COM O USO DE FERRAMENTAS PREDITIVAS BASEADAS EM INTELIGêNCIA ARTIFICIAL.

THIS WORK AIMED AT THE PREDICTIVE MODELING, WITH ARTIFICIAL INTELLIGENCE, OF THE MECHANICAL PROPERTIES OF HOT-ROLLED STRUCTURAL STEEL SECTIONS, PRODUCED IN HIGH STRENGTH AND LOW ALLOY STEEL, HSLA. THE MODELS WERE BASED ON HISTORICAL DATA OF MECHANICAL PROPERTIES AS WELL AS THE CHEMICAL COMPOSITION OF THE HEATS AND ROLLING PROCESS PARAMETERS. AN AUTO-MACHINE LEARNING (AUTO-ML) PLATFORM WAS USED. THIS TOOL IS CAPABLE OF SIMULTANEOUSLY TESTING DOZENS OF ALGORITHMS AIMING FOR THE LOWEST ERROR. SIMPLIFIED MODELS WERE BUILT BASED ON DATABASE STATISTICAL ANALYSES, AND EXPANDED MODELS WERE DEVELOPED USING ALL AVAILABLE DATA. THE MODELS WERE DEVELOPED TO BE METALLURGICALLY COHERENT WITH SCIENTIFIC TRENDS, DESPITE MATHEMATICAL PRECISION. THE RESULTS ALIGNED WELL WITH EXPECTED TRENDS IN MOST CASES. IT WAS POSSIBLE TO EVALUATE THE ISOLATED EFFECT OF THE VARIABLES. THE EXPANDED MODELS WERE ABLE TO GENERATE PREDICTIONS WITH LOWER STATISTICAL ERROR. THE VARIABILITY OF THE DATA IS AN IMPORTANT FACTOR FOR THE SUCCESS OF PREDICTIVE MODELS. SUCH MODELS ALLOW THE STEEL CHEMICAL COMPOSITION DESIGN TO BE CARRIED OUT WITH GREATER ACCURACY, LOWER PRODUCTION COSTS, AND IMPROVED UNDERSTANDING OF THE EFFECT OF INPUT VARIABLE. DATA-DRIVEN DECISION-MAKING IN PRODUCTION AND R&D ACTIVITIES ARE ENHANCED WITH THE USE OF PREDICTIVE TOOLS BASED ON ARTIFICIAL INTELLIGENCE.

Keywords

Inteligência Artificial; Aprendizado de Máquina; ARBL; Modelagem.

Artificial Intelligence; Machine Learning; HSLA; Modelling.