Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/6658
Title: Predição de lascas de aquecimento durante a fabricação de aços inoxidáveis duplex.
Authors: Alcântara, Fabrício Luiz de
Faria, Géssica Seara
Dutra, Janeir Ribeiro
Cunha, Lucas Soares
metadata.dc.contributor.advisor: Silva, Thiago Augusto de Oliveira
metadata.dc.contributor.referee: Silva, Thiago Augusto de Oliveira
Martins, Alexandre Xavier
Loss, Hélio Braz
Keywords: Aço inoxidável - controle de qualidade
Aço - defeitos - previsão
Ciência de dados
Previsão - processos de fabricação
Issue Date: 2024
Citation: ALCÂNTARA, Fabrício Luiz de; FARIA, Géssica Seara; DUTRA, Janeir Ribeiro; CUNHA, Lucas Soares. Predição de lascas de aquecimento durante a fabricação de aços inoxidáveis duplex. 2024. 41 f. Monografia (Especialização em Ciência de Dados) - Instituto de Ciências Exatas, Universidade Federal de Ouro Preto, João Monlevade, 2024.
Abstract: Os aços inoxidáveis duplex são utilizados em aplicações que necessitam de alta resistência à corrosão associada à elevada resistência mecânica. A fabricação da camada interior de tubos flexíveis, utilizados para extração de petróleo, é uma das principais aplicações deste aço, sendo submetidos à ambientes extremamente agressivos. Portanto problemas de qualidade, tanto internos quanto superficiais, no aço podem reduzir sua vida útil significativamente. Em função disso, esse trabalho propõe um estudo para predição de um dos principais defeitos que acomete os aços duplex, denominado lascas de aquecimento. Para realização do estudo, foram coletadas variáveis de produto e do processo de Aciaria dos aços Duplex. Em seguida, os dados foram tratados e explorados através de quatro algoritmos de aprendizagem de máquina distintos: Regressão logística, Random Forest, SVM e Gradient Boosting. Os métodos de Ensemble, Stacking Ensemble e Voting Classifier, foram aplicados nos modelos utilizados para melhorar a precisão das previsões. A métrica utilizada para avaliar se a adequação dos modelos se ajusta aos dados foi a acurácia, na qual o melhor desempenho foi obtido a partir do modelo Gradient Boosting. A análise SHAP foi aplicada para facilitar a interpretabilidade dos resultados e dessa forma foram elencadas a variáveis com maior influência na ocorrência do defeito lascas de aquecimento. Uma árvore de decisão foi construída para obtenção da receita a ser seguida de forma a atingir menores valores de ocorrência de lascas de aquecimento.
metadata.dc.description.abstracten: Duplex stainless steels are used in applications that require high resistance to corrosion associated with high mechanical strength. The manufacture of the inner layer of flexible pipes, used for oil extraction, is one of the main applications of this steel, being subjected to extremely aggressive environments. Therefore, quality problems, both internal and superficial, in steel can significantly reduce its service life. As a result, this work proposes a study to predict one of the main defects that affect duplex satinless steels, called heating slivers. To carry out the study, product and steelmaking process variables for Duplex steel were collected. After that, the data was processed and explored through four different machine learning algorithms: Logistic Regression, Random Forest, SVM and Gradient Boosting. The Ensemble, Stacking Ensemble and Voting Classifier methods were applied to the models used to improve the accuracy of the predictions. The metric used to evaluate whether the adequacy of the models fits the data was accuracy, in which the best performance was from the Gradient Boosting model. The SHAP analysis was applied to improve the interpretability of the results and in this way the variables with the greatest influence on the occurrence of the heating slivers defect were listed. A decision tree was built to obtain the recipe to be followed in order to achieve lower occurrence values for heating slivers.
URI: http://www.monografias.ufop.br/handle/35400000/6658
metadata.dc.rights.license: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Appears in Collections:Especialização - Ciência dos Dados

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_PrediçãoLascasAquecimento.pdf1,87 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.