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. |