Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/44950
Document type: | Tese |
Access type: | Acesso Aberto |
Title: | Otimização paramétrica de redes neurais artificiais aplicadas em processo de soldagem com datasets reduzidos |
Alternate title (s): | Parametric optimization of artificial neural networks applied in welding process with reduced datasets |
Author: | Rocha, Vinicius Resende |
First Advisor: | Paes, Luiz Eduardo dos Santos |
First member of the Committee: | Silva, Leonardo Rosa Ribeiro da |
Second member of the Committee: | Diaz, Julian Arnaldo Avila |
Third member of the Committee: | Lobato, Fran Sergio |
Fourth member of the Committee: | Silva Junior, Washington Martins da |
Fifth member of the Committee: | Fals, Hipolito Domingo Carvajal |
Summary: | A Indústria 4.0 tem adotado, cada vez mais, soluções digitais como algoritmos de Machine Learning e Deep Learning, para aprimorar processos de fabricação, como a soldagem. Regular os parâmetros de soldagem é fundamental para alcançar geometrias de solda de alta qualidade, mas pode ser uma tarefa desafiadora para os operadores no campo. Uma abordagem promissora é utilizar técnicas de previsão de parâmetros a partir de geometrias específicas, sendo as redes neurais artificiais (RNA’s) uma das mais destacadas. Essas redes têm um funcionamento inspirado no aprendizado observado em seres vivos. Para determinar a arquitetura ideal da RNA, incluindo camadas, neurônios, função de ativação e taxa de aprendizagem, muitos autores recorrem à seleção por tentativa e erro. O presente trabalho visa desenvolver uma metodologia para otimizar os parâmetros da arquitetura de uma RNA sem causar overfitting, além de promover comparação com técnicas de regressão. Para enfrentar a escassez de dados, são exploradas técnicas avançadas de geração de dados e validação cruzada, como Leave One Out (LOO), Kriging e Synthetic Data Vault (SDV). O objetivo da RNA é prever valores como: tensão, vazão do gás, velocidade de alimentação e stickout, com base em informações geométricas resultantes do processo de soldagem MAG no aço SAE 1020. Os dados são divididos em conjuntos de treinamento, validação e teste para garantir que a arquitetura da RNA seja definida na fase de validação e mantida constante durante o teste, evitando overfitting. No processo de otimização optou-se pela evolução diferencial (ED) comparando-se com a homologia simplicial (SHGO) por apresentar melhores resultados. Foi proposto um estudo do número de geração adicional de dados para as técnicas SDV e Kriging, aumentando-se o dataset padrão em 50%, 100% e 150%. Os melhores resultados foram encontrados ao aumentar os dados em 50% por SDV para a RNA através de 1 camada oculta, 2 neurônios e função de ativação logística. O aumento artificial do dataset melhorou a precisão preditiva da RNA, com o SDV apresentando 10,1% de melhora em relação à condição padrão com o dataset original e ED, e o LOO alcançando uma redução de erro de 55,3%. A função de ativação logística foi encontrada na maioria dos melhores resultados. Todos os resultados apresentados por técnicas de regressão se mostram inferiores aos apresentados pela RNA, entretanto, há também uma melhora do resultado a partir do aumento de dados por meio do SDV. O trabalho mostra que utilizar técnicas alternativas para melhorar o desempenho quando se trata de base de dados reduzidas melhorou os resultados de predição. |
Abstract: | Industry 4.0 has increasingly adopted digital solutions such as Machine Learning and Deep Learning algorithms to improve manufacturing processes, such as welding. Regulating welding parameters is essential to achieve high-quality weld geometries, but it can be a challenging task for operators in the field. A promising approach is to use parameter prediction techniques from specific geometries, with artificial neural networks (ANNs) being one of the most prominent. These networks have a functioning inspired by the learning observed in living beings. To determine the ideal ANN architecture, including layers, neurons, activation function and learning rate, many authors resort to trial-and-error selection. This work aims to develop a methodology to optimize the parameters of an ANN architecture without causing overfitting, in addition to promoting comparison with regression techniques. To address data limitation, advanced data generation and cross-validation techniques are explored, such as Leave One Out (LOO), Kriging and Synthetic Data Vault (SDV). The objective of the ANN is to predict values such as: voltage, gas flow, feed speed and stickout, based on geometric information resulting from the MAG welding process on SAE 1020 steel. The data are divided into training, validation and test sets to ensure that the ANN architecture is defined in the validation phase and kept constant during testing, avoiding overfitting. In the optimization process, differential evolution (DE) was chosen compared to simplicial homology (SHGO) because it presents better results. A study of the number of additional data generation for the SDV and Kriging techniques was proposed, increasing the standard dataset by 50%, 100% and 150%. The best results were found when increasing the data by 50% by SDV for the ANN through 1 hidden layer, 2 neurons and logistic activation function. Artificially augmenting the dataset improved the predictive accuracy of the ANN, with SDV showing a 10.1% improvement over the standard condition with the original dataset and ED, and LOO achieving an error reduction of 55.3%. The logistic activation function was found in most of the best results. All results presented by regression techniques are inferior to those presented by the ANN, however, there is also an improvement in the result from data augmentation through SDV. The work shows that using alternative techniques to improve performance when dealing with reduced datasets improved the prediction results. |
Keywords: | Inteligência Artificial GMAW Base de Dados Reduzida Redes Neurais Artificiais Aumento de Dados Validação Cruzada Artificial Intelligence Small Dataset Artificial Neural Networks Data Augmentation Cross Validation. |
Area (s) of CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAO::CONTROLE NUMERICO CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAO::PROCESSOS DE FABRICACAO, SELECAO ECONOMICA |
Subject: | Engenharia mecânica Redes neurais (Computação) Tecnologia da soldagem Banco de dados |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Program: | Programa de Pós-graduação em Engenharia Mecânica |
Quote: | ROCHA, Vinicius Resende. Otimização paramétrica de redes neurais artificiais aplicadas em processo de soldagem com datasets reduzidos. 2025. 148 f. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.te.2025.92 |
Document identifier: | http://doi.org/10.14393/ufu.te.2025.92 |
URI: | https://repositorio.ufu.br/handle/123456789/44950 |
Date of defense: | 7-Feb-2025 |
Sustainable Development Goals SDGs: | ODS::ODS 9. Indústria, Inovação e infraestrutura - Construir infraestrutura resiliente, promover a industrialização inclusiva e sustentável, e fomentar a inovação. |
Appears in Collections: | TESE - Engenharia Mecânica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
OtimizaçãoParamétricaRedes.pdf | Tese | 14 MB | Adobe PDF | ![]() View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.