Otimização multiobjetivo evolutiva do torneamento interno de tubos de Peek por meio de modelos de reforço extremo de gradiente

• Ano de defesa: 2023
• Autor(a) principal: VIEIRA, Jéssica Tito
• Orientador(a): FERREIRA, João Roberto
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Doutorado - Engenharia de Produção
• Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
• País: Brasil
• Palavras-chave em Português: Torneamento interno; Polieteretercetona; Aprendizado estatístico; Aprendizado de máquina; Reforço extremo de gradiente; Otimização multiobjetivo evolutiva
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3999

O torneamento é um dos processos de usinagem mais utilizados na indústria. Sua grande aplicação faz com que cada vez mais estes processos sejam utilizados para a produção de peças de alta qualidade, buscando associar eficiência, precisão e produtividade. Os desafios de se obter um acabamento de alta precisão são ainda maiores se o torneamento interno for aplicado em materiais modernos como polieteretercetona (PEEK). Para alcançar as melhores condições de processo, os modelos preditivos devem ser estimados e a otimização deve ser realizada. Este trabalho apresenta uma abordagem de aprendizado estatístico para modelagem e otimização do processo de torneamento interno em tubos de PEEK. A rugosidade (Ra) e os desvios de circularidade (Ront) foram medidos para quantificar a qualidade do furo. Considerado um importante indicador de usinabilidade, a força de corte (Fc) também foi medida. A velocidade de corte (vc), taxa de avanço (f) e posição de fixação da peça na placa (fp) foram consideradas como parâmetros de entrada. Para modelagem, um procedimento de aprendizado foi proposto considerando regressão de superfície de resposta polinomial, métodos aditivos generalizados, métodos baseados em árvores, regressão de vetores de suporte e o reforço extremo de gradiente. A validação cruzada foi aplicada para aprendizado e seleção de modelos, incluindo abordagens k-dobras e bootstrap. Os resultados apontaram que o modelo de reforço extremo de gradiente foi o método que apresentou melhor capacidade de previsão. Para Ra os resultados finais das métricas de previsão foram RMSE = 0,1395, MAE = 0,1126, e R2 = 1,0000, para Fc, RMSE =1,8609, MAE =0,9311, e R2 =0,9280, e para Ront, RMSE =21,3084, MAE = 17,8053, e R2 = 0,6562. A otimização multiobjetivo evolutiva foi realizada considerando os modelos de reforço extremo de gradiente para rugosidade, circularidade, força de corte e o modelo determinístico da taxa de remoção de material (MRR). Considerando o hipervolume, o método NSGA-II foi selecionado para realizar as otimizações de três objetivos. A abordagem de pseudopeso foi aplicada para selecionar soluções de alto trade-off, facilitando a escolha em cenários práticos de produção. Para otimização Ra vs Ront vs MRR, o equilíbrio entre as três respostas foi alcançado com vc mais alto, f = 0,12 mm/v e fp = 15,14 mm. Para otimização Fc vs Ront vs MRR, o equilíbrio entre as três respostas foi alcançado com vc = 378,78 m/min, f = 0,10 mm/v e fp = 13,00 mm. A abordagem de aprendizado e as otimizações propostas possibilitaram a obtenção dos melhores resultados do processo de torneamento interno no PEEK.