Título

PREVISÃO DE PROPRIEDADES MECÂNICAS, CONDIÇÕES DE PROCESSO E COMPOSIÇÃO QUÍMICA DE AÇOS AVANÇADOS DE ALTA RESISTÊNCIA USANDO TÉCNICAS DE MACHINE LEARNING

PREDICTION OF MECHANICAL PROPERTIES, PROCESS CONDITIONS AND CHEMICAL COMPOSITION OF ADVANCED HIGH-STRENGTH STEEL USING MACHINE LEARNING TECHNIQUES

Autoria

ZORZI, JULIO CEZAR DE SOUSA; TAVARES, TAIRINE BERBERT; BORBA, TADEU MESSIAS DONIZETE

ZORZI, JULIO CEZAR DE SOUSA

Eu sou esse autor

TAVARES, TAIRINE BERBERT

Eu sou esse autor

BORBA, TADEU MESSIAS DONIZETE

Eu sou esse autor

DOI

10.5151/2594-5327-40578

Downloads

Resumo

COM O AVANçO DOS RECURSOS COMPUTACIONAIS E O AUMENTO DA CAPACIDADE DE GERAçãO E ARMAZENAMENTO DE DADOS, AS ABORDAGENS BASEADAS EM INTELIGêNCIA ARTIFICIAL E MACHINE LEARNING (ML) TêM SIDO CONTINUAMENTE INCORPORADAS AOS PROCESSOS INDUSTRIAIS. ESSA METODOLOGIA ORIENTADA EM DADOS TEM POSSIBILITADO MAPEAR, DE FORMA RAZOáVEL, A RELAçãO COMPLEXA EXISTENTE ENTRE O PROCESSAMENTO INDUSTRIAL, A COMPOSIçãO QUíMICA E AS PROPRIEDADES MECâNICAS DOS AçOS. DESSA FORMA, FOI DESENVOLVIDA UMA FERRAMENTA BASEADA EM ML PARA A PREVISãO DAS PROPRIEDADES MECâNICAS EM TRAçãO, CONDIçõES DE PROCESSAMENTO INDUSTRIAL E COMPOSIçãO QUíMICA DE AçOS AVANçADOS DE ALTA RESISTêNCIA (AHSS), DESTINADOS AO SETOR AUTOMOTIVO, PROCESSADOS VIA LINHA DE RECOZIMENTO CONTíNUO (CAPL). UTILIZOU-SE UM BANCO DE DADOS INDUSTRIAL PARA GERAR INFORMAçõES E CONHECIMENTO ACERCA DOS MATERIAIS AVALIADOS. A PRECISãO DA RESPOSTA DOS MODELOS DE PREVISãO FOI AVALIADA ATRAVéS DE PARâMETROS DE ERRO, OS QUAIS ESTãO ATRELADOS à RACIONALIDADE E à CONFIABILIDADE DO MéTODO TESTADO. OS RESULTADOS MOSTRARAM QUE O ALGORITMO XGBOOST PODE SER EMPREGADO NA CONSTRUçãO DOS DIFERENTES MODELOS, COM óTIMAS MéTRICAS DE DESEMPENHO. FOI DESENVOLVIDO UM PROGRAMA PARA UTILIZAçãO EM AMBIENTE WEB, COM INTERFACE AMIGáVEL, DESTINADO à APLICAçãO PRáTICA DA FERRAMENTA, DE MODO A AUXILIAR NO DESENVOLVIMENTO DE NOVOS PRODUTOS E NA TOMADA DE DECISõES RELACIONADAS à OTIMIZAçãO DA ROTA DE PROCESSAMENTO.

WITH THE ADVANCEMENT OF COMPUTATIONAL RESOURCES AND THE INCREASE IN DATA GENERATION AND STORAGE CAPACITY, APPROACHES BASED ON ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING (ML) HAVE BEEN CONTINUOUSLY INCORPORATED INTO INDUSTRIAL PROCESSES. THIS DATA-DRIVEN METHODOLOGY HAS MADE IT POSSIBLE TO MAP, IN A REASONABLE WAY, THE COMPLEX RELATIONSHIP THAT EXISTS BETWEEN INDUSTRIAL PROCESSING, THE CHEMICAL COMPOSITION AND MECHANICAL PROPERTIES OF STEELS. IN THIS WAY, A TOOL BASED ON ML WAS DEVELOPED TO PREDICT THE MECHANICAL PROPERTIES IN TENSION, INDUSTRIAL PROCESSING CONDITIONS AND CHEMICAL COMPOSITION OF ADVANCED HIGH-STRENGTH STEELS (AHSS), FOR AUTOMOTIVE APPLICATION, PROCESSED VIA CONTINUOUS ANNEALING PROCESS LINE (CAPL). AN INDUSTRIAL DATABASE WAS USED TO GENERATE INFORMATION AND KNOWLEDGE ABOUT THE MATERIALS EVALUATED. THE ACCURACY OF THE PREDICTION MODELS WAS EVALUATED THROUGH ERROR PARAMETERS, WHICH ARE LINKED TO THE RATIONALITY AND RELIABILITY OF THE TESTED METHOD. THE RESULTS SHOWED THAT THE XGBOOST ALGORITHM CAN BE USED TO BUILD DIFFERENT MODELS, WITH EXCELLENT PERFORMANCE METRICS. FOR THE PRACTICAL APPLICATION OF THE TOOL, A PROGRAM WAS DEVELOPED FOR USE IN A WEB SITE, WITH A FRIENDLY INTERFACE, TO ASSIST IN THE DEVELOPMENT OF NEW PRODUCTS AND DECISIONS RELATED TO THE OPTIMIZATION OF THE PROCESSING ROUTE.

Palavras-chave

Machine Learning; AHSS; Indústria Automotiva; XGBoost.

Machine Learning; AHSS; Automotive Industry; XGBoost.