ISSN 2594-5297
58º Seminário de Laminação, Conformação de Metais e Produtos — vol. 58, num.58 (2023)
Título
Autoria
DOI
Downloads
Resumo
Com o aumento da capacidade de geração e armazenamento de dados, além de avanços dos recursos computacionais, abordagens baseadas em inteligência artificial e aprendizado de máquina têm sido frequentemente incorporadas aos processos industriais. Essa metodologia orientada em dados tem possibilitado mapear, de forma razoável, a relação complexa existente entre processamento industrial, microestrutura e as propriedades mecânicas dos aços. Dessa forma, foi desenvolvida uma ferramenta baseada em aprendizado de máquina (machine learning – ML) para a previsão das propriedades mecânicas em tração de aços avançados de alta resistência, destinados ao setor automotivo, processados via 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 modelo construído com base no algoritmo XGBoost é capaz de prever os valores de propriedades mecânicas dos aços avançados de alta resistência com erro relativo em torno de 10%. 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, na tomada de decisões relacionadas à otimização da rota de processamento, além de agilizar respostas às demandas dos clientes.
With the advances in data generation, storage capacity, and computational resources, the application of artificial intelligence and machine learning (ML) approaches in industrial processes has become increasingly more common. Here we present a data-driven methodology to map the complex relationship between industrial processing, microstructure, and the mechanical properties of steels. A machine learning-based was developed to predict the mechanical properties of Advanced High-Strength Steels (AHSS) for automotive industry, processed via Continuous Annealing Process Line (CAPL). An industrial database was used to generate the information and knowledge about the evaluated materials. 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 show that the model built based on the XGBoost algorithm can predict the mechanical property values of AHSS with a relative error around 10%. A software was developed for use in a web environment, with a friendly interface, for the practical application of the tool, to assist in the development of new products, to help in decisions related to the optimization of the processing route, and to speed up responses to the demands of customers.
Palavras-chave
Machine Learning; Propriedades Mecânicas; AHSS; Indústria Automotiva.
Machine Learning; Mechanical Properties; AHSS; Automotive Industry.
Como citar
Zorzi, Julio Cezar de Sousa;
Tavares, Tairine Berbert;
Borba, Tadeu Messias Donizete;
Oliveira, Fagner de Carvalho;
Carvalho, Frederico Chaves.
PREVISÃO DE PROPRIEDADES MECÂNICAS DE AÇOS AVANÇADOS DE ALTA RESISTÊNCIA USANDO TÉCNICAS DE MACHINE LEARNING
,
p. 455-467.
In: 58º Seminário de Laminação, Conformação de Metais e Produtos,
São Paulo,
2023.
ISSN: 2594-5297
, DOI 10.5151/2594-5297-39403
