Publicação: Avaliação de propriedades mecânicas de aços via macroindentação instrumentada e inteligência artificial
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Resumo
Neste trabalho foi desenvolvida uma metodologia para estimar as propriedades
mecânicas (dureza Brinell, limite de resistência e limite de escoamento) via ensaios de
macroindentação instrumentada. Essa metodologia foi baseada no treinamento de
redes neurais artificiais (RNAs) a partir de curvas experimentais de indentações
esféricas. Diferentes arquiteturas de RNAs foram implementadas e treinadas através
de três algoritmos, a saber: a) algoritmo genético (AG); b) algoritmo híbrido entre AG e
método de Levenberg-Marquardt (LM) com regularização bayesiana (RB), denominado
AG-LMRB; e c) o método de AG-LMRB, com o acréscimo de uma etapa de verificação
de similaridade entre os indivíduos do AG. Os padrões de entrada das RNAs foram
obtidos dos ensaios de materiais realizados por Nicolosi (2015) através de um
macroindentador portátil, denominado de PropInSitu 2. Dentre os resultados obtidos,
constatou-se que o algoritmo híbrido AG-LMRB forneceu os melhores resultados, isto
é, os menores erros na estimativa das propriedades mecânicas. Tais resultados
ocorreram quando esse algoritmo foi aplicado em RNAs compostas por uma camada
de entrada de nove variáveis, uma camada oculta com dois neurônios e uma camada
de saída com um neurônio. Adicionalmente, foram utilizados determinados valores de
parâmetros de desempenho do AG, tais como a quantidade de indivíduos da
população inicial, o critério de parada, a taxa de crossover, a taxa de mutação, dentre
outros; e determinadas funções de ativação dos neurônios. As funções de ativação
empregadas nos neurônios ocultos e no neurônio de saída foram, respectivamente,
sigmoide e linear. A metodologia desenvolvida foi eficiente na determinação das
propriedades mecânicas, já que os melhores resultados obtidos forneceram erros
pequenos em relação aos métodos tradicionais. Considerando o nível de confiança de
95 %, os erros para a estimativa da dureza Brinell resultaram na faixa de ±3 %, para a
estimativa do limite de resistência, na faixa de ±6 % e para a estimativa do limite de
escoamento, na faixa de ±8 %.
Abstract
In this work, a methodology was developed to estimate the mechanical
properties (Brinell hardness, ultimate tensile strength and yield strength) using
instrumented macroindentation tests. This methodology was based on the training of
artificial neural networks (ANNs) from experimental curves of spherical indentations.
Different ANNs architectures were implemented and trained with three algorithms,
namely: a) genetic algorithm (GA); b) hybrid algorithm between GA and Levenberg-
Marquardt (LM) method with Bayesian regularization (BR), named GA-LMBR; and c)
the GA-LMBR method, with the addition of a similarity verification step among GA
individuals. The input patterns of the ANNs were obtained from the materials tests
performed by Nicolosi (2015) through a portable macroindentator called PropInSitu 2.
Among the results obtained, it was verified that the hybrid algorithm GA-LMBR
provided the best results, i.e., it resulted in the smallest errors in the estimation of the
mechanical properties. These results were achieved when the GA-LMBR method was
applied to an ANN composed of a nine-variable input layer, a hidden layer with two
neurons and an output layer with one neuron. In addition, certain values of GA
performance parameters, such as the number of individuals of the initial population,
stopping criterion, crossover rate, mutation rate, among others; and certain neuron
activation functions were used. The activation functions employed in the hidden
neurons and the output neuron were, respectively, sigmoid and linear. The
methodology developed was efficient in determining the mechanical properties, since
the best results provided small errors compared to the traditional methods. Considering
95 % confidence level, the errors for the Brinell hardness estimation were in the range
of ±3 %, for the ultimate tensile strength estimation, in the range of ±6 % and for the
yield strength estimation, in the range of ±8 %.
Palavras-chave
Avaliação de propriedades mecânicas, Evaluation of mechanical properties, Métodos de aprendizado de máquina, Machine learning methods, RNA, ANN, Treinamento supervisionado, Supervised training, Macroindentação instrumentada, Instrumented macroindentation, Materiais - Propriedades mecânicas, Aprendizado do computador, Engenharia mecânica
Citação
FREITAS, M. A. F. M. Avaliação de propriedades mecânicas de aços via
macroindentação instrumentada e inteligência artificial. 2018. 210 f. Tese de
Doutorado, Universidade Federal de Uberlândia, Uberlândia - MG. DOI http://dx.doi.org/10.14393/ufu.te.2018.752