Multi-objective Evolutionary Algorithm Applied to Steel Development

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Silva, Krigor Rhuann Rosa da
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://repositorio.udesc.br/handle/UDESC/6581
Resumo: O desenvolvimento de novos tipos de aço é um desafio constante no setor metalúrgico, pois os pesquisadores buscam incessantemente criar variantes mais leves e mais resistentes, adaptadas às diversas demandas industriais. No entanto, a complexidade intrínseca à estrutura de formação dos aços, que resulta em diferentes tipos com variadas faixas de propriedades, torna esse processo difícil e único para cada aplicação. Neste contexto, propomos modificações em um sistema baseado em dados utilizando Aprendizado de Máquina (ML). Esse sistema é capaz de prever as propriedades mecânicas do aço, otimizando tanto a composição química quanto os parâmetros de processamento. O objetivo é aumentar a precisão das novas ligas em relação a propriedades mecânicas específicas, além de obter uma maior diversidade genotípica nas configurações sugeridas pelo sistema. Para a tarefa de previsão, treinamos um conjunto de Redes Neurais Artificiais (ANN) em dados metalúrgicos usando Aprendizado de Máquina Automatizado (AutoML). Essas redes são acopladas para formar um único modelo de regressão multivariada. Em seguida, esse modelo conjunto é integrado a um Algoritmo Evolutivo Multi- Objetivo (MOEA), utilizando uma estratégia de dois arquivos para buscar a convergência das soluções e a diversidade genotípica, respectivamente. Ao final do processo, o algoritmo de otimização baseado em modelo substituto propõe novos designs de aços. Experimentos de comparação foram realizados para validar o modelo de previsão e garantir a validação computacional do esquema de otimização.