Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/5740
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorLeite, Harlei Miguel de Arrudapt_BR
dc.contributor.authorFinamor, Felipe Pereira-
dc.date.accessioned2023-07-20T19:29:08Z-
dc.date.available2023-07-20T19:29:08Z-
dc.date.issued2022pt_BR
dc.identifier.citationFINAMOR, Felipe Pereira. Previsão da conformabilidade global de aços destinados ao setor automotivo por meio de ensaios de tração: uma abordagem por aprendizado de máquina. 2022. 44 f. Monografia (Especialização em Ciência dos Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/5740-
dc.description.abstractAs Curvas Limite de Conformação (CLCs) são amplamente empregadas pela indústria automotiva para a verificação das deformações limites nos processos que envolvem conformação mecânica de chapas finas, como é o caso da estampagem. Sendo a CLC um instrumento aliado à redução de custos, avaliação das ferramentas de estampagem e seleção de materiais. Entretanto, seu levantamento experimental é um processo que demanda tempo, recursos laboratoriais específicos e é limitado à disponibilidade de amostras relativamente grandes. Estudar a correlação e a previsão das CLCs à estricção e as propriedades mecânicas em tração surge como uma alternativa à estas limitações. Nesse caso, diversos modelos teóricos clássicos foram criados, como o de Keeler-Brazier (KB) e Marciniak-Kuczynski (MK). Entretanto, esses modelos são limitados à alguns materiais e, se comparados aos dados reais, possuem erros relativamente grandes. Visando determinar a conformabilidade dos aços destinados ao setor automotivo, por meio da previsão da curva limite de conformação e sua relação com diferentes propriedades mecânicas, modelos de aprendizado de máquina, juntamente com ensaios laboratoriais de tração e de curva limite de conformação foram empregados. Os resultados de previsão foram comparados com dados experimentais, cujos resultados de previsão se mostraram promissores, com erro relativo médio total entre os resultados experimentais e aqueles previstos pelo modelo final de 7%. Esse erro pode ser considerado baixo, haja vista que as CLCs são usualmente empregadas com margens de segurança da ordem de 10 a 20%. Ademais, o uso de técnicas de inteligência artificial explicável (eXplainable Artificial Intelligence ou XAI) mostraram as variáveis que mais afetaram a previsão da conformabilidade, apresentando um caminho para a otimização e melhoria dos aços avaliados.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectConformação de metais - Curva Limite de Conformaçãopt_BR
dc.subjectConformabilidadept_BR
dc.titlePrevisão da conformabilidade global de aços destinados ao setor automotivo por meio de ensaios de tração : uma abordagem por aprendizado de máquina.pt_BR
dc.typeTCC-Especializaçãopt_BR
dc.contributor.refereeVargas, Guilherme Vettorazzipt_BR
dc.contributor.refereeLeite, Sarah Negreiros de Carvalhopt_BR
dc.contributor.refereeLeite, Harlei Miguel de Arrudapt_BR
dc.description.abstractenThe Forming Limit Curves (FLCs) are widely used by the automotive industry in order to assess the limit strains in processes that involves sheet metal forming. FLCs are usually associated with cost reduction, evaluation of forming dies and material selection. However, its experimental process demands time, specific resources and is limited to the availability of large samples. Studying the correlation and prediction of FLCs at necking and tensile mechanical properties appears as an alternative to these limitations. In this case, several classical theoretical models were created, such as the Keeler-Brazier (KB) and Marciniak-Kuczynski (MK) models. However, these models are limited to some materials and, compared to real data, have relatively large errors. Aiming to determine the formability of steels destined for the automotive sector, through the prediction of the forming limit curve and its relationship with different mechanical properties, machine learning models, together with laboratory tensile tests and forming limit curves were used. The prediction results were compared with experimental data. The prediction results shows a promising use, with a total mean relative error between the experimental tests and those predicted by the final model of about 7%. This error can be considered at low magnitude, given that FLCs are usually used with safety margins in the order of 10 to 20%. Furthermore, the use of eXplainable Artificial Intelligence (XAI) showed the most important features that most affected the formability prediction, presenting a path for the optimization and improvement of the evaluated steels.pt_BR
dc.contributor.authorID2019.10746pt_BR
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_PrevisãoConformabilidadeGlobal.pdf3,37 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons