ISSN 2594-5297
61º Seminário de Laminação, Conformação de Metais e Produtos — Vol. 61 , num. 61 (2026)
Título
Autoria
DOI
Downloads
Resumo
As propriedades mecânicas de arames galvanizados são influenciadas pela composição química do aço e pelos parâmetros de processo, afetando diretamente o limite de resistência. Este estudo teve como objetivo desenvolver um modelo preditivo para estimar essa propriedade em arames das linhas agrícola e industrial, utilizando dados reais de composição química e das etapas produtivas. Diferentes modelos de machine learning foram avaliados, e o XGBoost apresentou o melhor desempenho, com erros mínimos em todas as métricas de avaliação. Os resultados demonstram que o modelo proposto é eficaz para antecipar desclassificações de materiais e identificar falhas potenciais durante a produção, reduzindo a geração de produtos não conformes e melhorando a confiabilidade no atendimento aos requisitos dos clientes.
The mechanical properties of galvanized wires are influenced by steel chemical composition and process parameters, directly affecting tensile strength. This study aimed to develop a predictive model to estimate this property in agricultural and industrial wires using real data from chemical composition and production stages. Different machine learning models were evaluated, and XGBoost achieved the best performance, with minimal errors across all evaluation metrics. The results demonstrate that the proposed model is effective in anticipating material downgrades and identifying potential failures during production, reducing nonconforming outputs, and improving reliability in meeting customer requirements.
Palavras-chave
Propriedade mecânica, Aprendizado de máquina, Arame galvanizado
Mechanical Properties, Machine Learning, Galvanized Wire
Como citar
Dietrich, Maria Julia; Ferreira, Jane Zoppas.
Aplicação de modelos de machine learning para previsão de propriedades mecânicas de arames galvanizados,
p. 1-11.
In: 61º Seminário de Laminação, Conformação de Metais e Produtos,
São Paulo, SP - Brasil,
2026.
ISSN: 2594-5297, DOI 10.5151/2594-5297-42997
