Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6828
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorFonseca, George Henrique Godim dapt_BR
dc.contributor.authorCosta, Angelo Ferreira-
dc.contributor.authorMachado, Ana Paula Marques de Oliveira-
dc.contributor.authorBarcelos, Gláucio Barros-
dc.date.accessioned2024-07-15T21:02:32Z-
dc.date.available2024-07-15T21:02:32Z-
dc.date.issued2024pt_BR
dc.identifier.citationCOSTA, Angelo Ferreira; MACHADO, Ana Paula Marques de Oliveira; BARCELOS, Gláucio Barros. Análise do processo de recozimento de aço inoxidável utilizando modelos de aprendizado de máquina. 2024. 41 f. Monografia (Especialização em Ciência de Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/6828-
dc.description.abstractOs aços inoxidáveis austeníticos desempenham um papel fundamental na indústria devido à sua resistência, sendo amplamente utilizados em diversas aplicações. O controle da temperatura de recozimento do material é de suma importância para o processo. A sua variação pode causar mudanças de propriedades mecânicas e micro-estruturas dos materiais, gerando materiais com não conformidades, o que pode gerar perdas. Este trabalho propõe utilização e comparação de diversos modelos de aprendizado de máquinas, na análise do processo de recozimento dos aços inoxidáveis austeníticos, para classificar e identificar as principais variáveis de processo que impactam no resultado final do material processado. Em primeiro lugar, os dados de várias bobinas foram coletados considerando as variáveis de processo de recozimento e as temperaturas objetivadas alcançadas. Em seguida os dados coletados passaram por um processo de tratamento, limpeza, organização e padronização de todas as informações coletadas. Finalmente, os modelos de aprendizado de máquina são aplicados aos dados para definir as relações entre as variáveis de processo (espessura, largura, temperatura de zonas, entre outras) e a temperatura final do material. Os modelos Random Forest Classifier e XGBoost demonstraram resultados comparáveis em termos de acurácia, com uma pequena vantagem observada para o Random Forest Classifier, registrando uma taxa de acurácia de 0,89%, em comparação com os 0,88% do XGBoost. Em relação à AUC, ambos os modelos exibiram desempenhos semelhantes, com valores aproximados de 0,90 em ambas as tabelas. Quando avaliados em termos de sensibilidade, precisão e F1, os resultados indicam que ambos os modelos demonstram eficácia na identificação de classes positivas e negativas, com valores próximos a 0,89 para o Random Forest Classifier e 0,88 para o XGBoost. Os resultados mostraram que a utilização de aprendizado de máquina revelou insights importantes sobre os fatores que influenciam a temperatura final do material.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAço - indústriapt_BR
dc.subjectAço inoxidávávelpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectControle de temperaturapt_BR
dc.titleAnálise do processo de recozimento de aço inoxidável utilizando modelos de aprendizado de máquina.pt_BR
dc.typeTCC-Especializaçãopt_BR
dc.rights.licenseEste trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).pt_BR
dc.contributor.refereeLeite, Sarah Negreiros de Carvalhopt_BR
dc.contributor.refereeCastro, Geovane Martins dept_BR
dc.contributor.refereeFonseca, George Henrique Godim dapt_BR
dc.description.abstractenAustenitic stainless steels play a fundamental role in industry due to their resistance, being widely used in various applications. Controlling the annealing temperature of the material is extremely important for the process. Its variation can cause changes in the mechanical properties and microstructures of materials, generating non-conforming materials, which can generate losses. This work proposes the use and comparison of several machine learning models, in the analysis of the annealing process of austenitic stainless steels, to classify and identify the main process variables that impact the final result of the processed material. Firstly, data from multiple coils was collected considering the annealing process variables and the target temperatures achieved. The collected data then went through a process of treatment, cleaning, organization and standardization of all collected information. Finally, machine learning models are applied to the data to define the relationships between process variables (thickness, width, zone temperature, among others) and the final temperature of the material. The Random Forest Classifier and XGBoost models demonstrated comparable results in terms of accuracy, with a slight advantage observed for the Random Forest Classifier, recording an accuracy rate of 89%, compared to 88% of XGBoost. Regarding the AUC, both models exhibited similar performances, with approximate values of 0.90 in both tables. When evaluated in terms of sensitivity, precision, and F1, the results indicate that both models demonstrate effectiveness in identifying positive and negative classes, with values close to 0.89 for the Random Forest Classifier and 0.88 for the XGBoost. The results showed that the use of machine learning revealed important insights into the factors influencing the final temperature of the material.pt_BR
dc.contributor.authorID2021.10586pt_BR
dc.contributor.authorID2021.10585pt_BR
dc.contributor.authorID2021.10597pt_BR
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AnáliseProcessoRecozimento.pdf1,66 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.