Uso de regressores para a geração de conhecimento na avaliação do ensaio de tração ambiente

• Keila de C. Freitas USIMINAS / Universidade Federal de Ouro Preto (UFOP)
• Kairo de B. Guimarães USIMINAS
• Luxmar A. Xavier USIMINAS
• Thiago A. de O. Silva Universidade Federal de Ouro Preto (UFOP)

DOI: https://doi.org/10.5753/sbbd.2023.231741

Resumo

O ensaio de tração ambiente é responsável por avaliar propriedades mecânicas no processo siderúrgico, que retorna resultados como: limite de resistência (LR), limite de escoamento (LE) e alongamento (ALO). O objetivo é construir modelos para cada propriedade, através das variáveis de processo e dados de composição química, para predizer as respostas do ensaio auxiliando nas análises realizadas por especialistas. Foram ajustados nove diferentes algoritmos de regressão com coeficiente de determinação satisfatórios para os três indicadores. Os modelos resultantes contribuem para tomada de decisão do ensaio por obter ganhos no tempo de avaliação de amostras e, também, pela proposta de um método que identifica falsos positivos.

Palavras-chave: Ensaio de Tração Ambiente, Aplicações na Indústria, Regressores

Referências

Alpaydin, E. (2020). Introduction to machine learning. MIT press.

Bahrami, A., Anijdan, S. M., and Ekrami, A. (2005). Prediction of mechanical properties of dp steels using neural network model. Journal of alloys and compounds, 392(1-2):177–182.

Chollet, F. et al. (2015). Keras. https://keras.io.

de Souza, S. A. (1989). Composição química dos aços. Editora Blucher.

Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P., et al. (1996). Knowledge discovery and data mining: Towards a unifying framework. In Proceedings of KDD-96, pages 82–88.

Johnson, G. R. and Cook, W. H. (1985). Fracture characteristics of three metals subjected to various strains, strain rates, temperatures and pressures. Engineering fracture mechanics, 21(1):31–48.

Kliauga, A. M. and Ferrante, M. (2009). Metalurgia basica para ourives e designers: do metal à joia. Editora Blucher.

Lin, Y., Chen, X.-M., and Liu, G. (2010). A modified johnson–cook model for tensile behaviors of typical high-strength alloy steel. Materials Science and Engineering: A, 527(26):6980–6986.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Raschka, S. (2015). Python machine learning. Packt publishing ltd.

Zhang, C. and Ma, Y. (2012). Ensemble machine learning: methods and applications. Springer.