Use este identificador para citar ou linkar para este item: https://repositorio.ufu.br/handle/123456789/21494
Tipo do documento: Tese
Tipo de acesso: Acesso Aberto
Título: Avaliação de propriedades mecânicas de aços via macroindentação instrumentada e inteligência artificial
Título(s) alternativo(s): Evaluation of mechanical properties of steels using instrumented macroindentation and artificial intelligence
Autor(es): Freitas, Monique Alves Franco de Moraes
Primeiro orientador: Franco, Sinésio Domingues
Primeiro membro da banca: Vilarinho, Louriel Oliveira
Segundo membro da banca: Arencibia, Rosenda Valdés
Terceiro membro da banca: Gonçalves Júnior, Armando Albertazzi
Quarto membro da banca: Marra, Enes Gonçalves
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
Área(s) do CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Idioma: por
País: Brasil
Editora: Universidade Federal de Uberlândia
Programa: Programa de Pós-graduação em Engenharia Mecânica
Referência: 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
Identificador do documento: http://dx.doi.org/10.14393/ufu.te.2018.752
URI: https://repositorio.ufu.br/handle/123456789/21494
Data de defesa: 27-Fev-2018
Aparece nas coleções:TESE - Engenharia Mecânica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
AvaliacaoPropriedadesMecanicas.pdfTese4.68 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.