Exploring the mechanical behavior of friction material composites using artificial intelligence

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Matté, Daniel
Orientador(a): Perottoni, Cláudio Antônio
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Materiais de atrito
Aprendizado do computador
Inteligência artificial
Palavras-chave em Inglês:
Friction materials
Machine learning
Artificial intelligence
Link de acesso: https://repositorio.ucs.br/11338/14333
Resumo: A aplicação de técnicas de inteligência artificial está se tornando cada vez mais valiosa para diversas áreas do conhecimento, pois permite extrair informações, prever padrões, trabalhar com problemas complexos e gerar soluções que não seriam alcançáveis por outras técnicas sem um custo computacional extremamente elevado ou então, inúmeras experimentos físicos, com altos custos de execução e que muitas vezes não alcançam o resultado desejado. Neste trabalho, a inteligência artificial (IA) foi utilizada para criar modelos matemáticos para quatro propriedades de compósitos de materiais de atrito a partir de um extenso banco de dados que contém a composição química e suas propriedades mecânicas. Foi proposto um algoritmo capaz de prever resultados mecânicos de materiais de atrito com base na composição química, otimizar uma composição existente e propor novas composições (até então inexistentes) com base nos valores desejados de cada propriedade mecânica. O algoritmo combina instruções baseadas em regras, redes neurais e otimização de enxame de partículas. Foram produzidas amostras físicas baseadas na previsão do algoritmo, que possibilitaram avaliar o poder preditivo dos modelos e entender melhor a necessidade de melhorias na ferramenta construída para previsão de novos materiais de atrito. Notavelmente, as redes neurais artificiais, uma vez treinadas, demonstraram um erro quadrático médio médio (RMSE) que foi 30,8 % menor em comparação com o uso de ajustes multilineares para prever novos resultados de composições anteriormente inexistentes. [resumo fornecido pelo autor]
id UCS_7ca83fd8cc839f328217f2bdd317dbdd
oai_identifier_str oai:repositorio.ucs.br:11338/14333
network_acronym_str UCS
network_name_str Repositório Institucional da UCS
repository_id_str
spelling Matté, DanielMasotti, DiegoRamos, Gustavo RobertoCorso, Leandro LuísFarias, María Cristina MoréPerottoni, Cláudio Antônio2025-03-12T14:19:55Z2025-03-12T14:19:55Z2025-03-112024-12-11https://repositorio.ucs.br/11338/14333A aplicação de técnicas de inteligência artificial está se tornando cada vez mais valiosa para diversas áreas do conhecimento, pois permite extrair informações, prever padrões, trabalhar com problemas complexos e gerar soluções que não seriam alcançáveis por outras técnicas sem um custo computacional extremamente elevado ou então, inúmeras experimentos físicos, com altos custos de execução e que muitas vezes não alcançam o resultado desejado. Neste trabalho, a inteligência artificial (IA) foi utilizada para criar modelos matemáticos para quatro propriedades de compósitos de materiais de atrito a partir de um extenso banco de dados que contém a composição química e suas propriedades mecânicas. Foi proposto um algoritmo capaz de prever resultados mecânicos de materiais de atrito com base na composição química, otimizar uma composição existente e propor novas composições (até então inexistentes) com base nos valores desejados de cada propriedade mecânica. O algoritmo combina instruções baseadas em regras, redes neurais e otimização de enxame de partículas. Foram produzidas amostras físicas baseadas na previsão do algoritmo, que possibilitaram avaliar o poder preditivo dos modelos e entender melhor a necessidade de melhorias na ferramenta construída para previsão de novos materiais de atrito. Notavelmente, as redes neurais artificiais, uma vez treinadas, demonstraram um erro quadrático médio médio (RMSE) que foi 30,8 % menor em comparação com o uso de ajustes multilineares para prever novos resultados de composições anteriormente inexistentes. [resumo fornecido pelo autor]The application of artificial intelligence techniques is becoming increasingly valuable for several areas of knowledge, allowing extracting information, predict patterns, work with complex problems, and generate solutions that would not be achievable by other techniques without an extremely high computational cost or else numerous physical experiments, with high execution costs and which often do not achieve the desired result. In this work, artificial intelligence (AI) was used to create mathematical models for four properties of friction material composites from an extensive database containing the chemical composition and the respective mechanical properties. An algorithm capable of predicting mechanical results of friction materials based on chemical composition, optimizing an existing composition, and proposing new (previously nonexistent) compositions was proposed based on the desired values of each mechanical property. The algorithm combines rule-based instructions, neural networks, and particle swarm optimization. Physical samples based on the algorithm prediction were produced, making it possible to assess the predictive power of the models and better understand the improvements needed for predicting new friction materials. Notably, artificial neural networks, once trained, demonstrated an average root mean square error (RMSE) that was 30.8 % smaller compared to using multilinear fittings to predict new results from previously non-existent compositions. [resumo fornecido pelo autor]Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPESengporMateriais de atritoAprendizado do computadorInteligência artificialFriction materialsMachine learningArtificial intelligenceExploring the mechanical behavior of friction material composites using artificial intelligenceinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do Sulhttp://lattes.cnpq.br/9587206689657277MATTÉ, D.Doutorado em Engenharia e Ciência dos MateriaisCampus Universitário de Caxias do Sul2025-03-11ORIGINALTese Daniel Matte.pdfTese Daniel Matte.pdfapplication/pdf18718411https://repositorio.ucs.br/xmlui/bitstream/11338/14333/1/Tese%20Daniel%20Matte.pdfeee24272ccafb40b6cdb95f226bf42e7MD51Tese Daniel Matté.pdfTese Daniel Matté.pdfapplication/pdf351958https://repositorio.ucs.br/xmlui/bitstream/11338/14333/2/Tese%20Daniel%20Matt%c3%a9.pdfcdcffe3fc1a2c3dbe9e898877d418b47MD52TEXTTese Daniel Matte.pdf.txtTese Daniel Matte.pdf.txtExtracted texttext/plain108058https://repositorio.ucs.br/xmlui/bitstream/11338/14333/3/Tese%20Daniel%20Matte.pdf.txte410d2700c4c414ff2b60c02106dcc55MD53Tese Daniel Matté.pdf.txtTese Daniel Matté.pdf.txtExtracted texttext/plain6793https://repositorio.ucs.br/xmlui/bitstream/11338/14333/5/Tese%20Daniel%20Matt%c3%a9.pdf.txt838b240fc9e207cc6072d914022c503cMD55THUMBNAILTese Daniel Matte.pdf.jpgTese Daniel Matte.pdf.jpgGenerated Thumbnailimage/jpeg1205https://repositorio.ucs.br/xmlui/bitstream/11338/14333/4/Tese%20Daniel%20Matte.pdf.jpge1ec40a7a8178fad586af99c0ab4bef7MD54Tese Daniel Matté.pdf.jpgTese Daniel Matté.pdf.jpgGenerated Thumbnailimage/jpeg1205https://repositorio.ucs.br/xmlui/bitstream/11338/14333/6/Tese%20Daniel%20Matt%c3%a9.pdf.jpg7a44a85976e28aa7145d681cba97e405MD5611338/143332025-03-26 17:34:43.245oai:repositorio.ucs.br:11338/14333Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2025-03-26T17:34:43Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false
dc.title.pt_BR.fl_str_mv Exploring the mechanical behavior of friction material composites using artificial intelligence
title Exploring the mechanical behavior of friction material composites using artificial intelligence
spellingShingle Exploring the mechanical behavior of friction material composites using artificial intelligence
Matté, Daniel
Materiais de atrito
Aprendizado do computador
Inteligência artificial
Friction materials
Machine learning
Artificial intelligence
title_short Exploring the mechanical behavior of friction material composites using artificial intelligence
title_full Exploring the mechanical behavior of friction material composites using artificial intelligence
title_fullStr Exploring the mechanical behavior of friction material composites using artificial intelligence
title_full_unstemmed Exploring the mechanical behavior of friction material composites using artificial intelligence
title_sort Exploring the mechanical behavior of friction material composites using artificial intelligence
author Matté, Daniel
author_facet Matté, Daniel
author_role author
dc.contributor.other.none.fl_str_mv Masotti, Diego
Ramos, Gustavo Roberto
Corso, Leandro Luís
Farias, María Cristina Moré
dc.contributor.author.fl_str_mv Matté, Daniel
dc.contributor.advisor1.fl_str_mv Perottoni, Cláudio Antônio
contributor_str_mv Perottoni, Cláudio Antônio
dc.subject.por.fl_str_mv Materiais de atrito
Aprendizado do computador
Inteligência artificial
topic Materiais de atrito
Aprendizado do computador
Inteligência artificial
Friction materials
Machine learning
Artificial intelligence
dc.subject.eng.fl_str_mv Friction materials
Machine learning
Artificial intelligence
description A aplicação de técnicas de inteligência artificial está se tornando cada vez mais valiosa para diversas áreas do conhecimento, pois permite extrair informações, prever padrões, trabalhar com problemas complexos e gerar soluções que não seriam alcançáveis por outras técnicas sem um custo computacional extremamente elevado ou então, inúmeras experimentos físicos, com altos custos de execução e que muitas vezes não alcançam o resultado desejado. Neste trabalho, a inteligência artificial (IA) foi utilizada para criar modelos matemáticos para quatro propriedades de compósitos de materiais de atrito a partir de um extenso banco de dados que contém a composição química e suas propriedades mecânicas. Foi proposto um algoritmo capaz de prever resultados mecânicos de materiais de atrito com base na composição química, otimizar uma composição existente e propor novas composições (até então inexistentes) com base nos valores desejados de cada propriedade mecânica. O algoritmo combina instruções baseadas em regras, redes neurais e otimização de enxame de partículas. Foram produzidas amostras físicas baseadas na previsão do algoritmo, que possibilitaram avaliar o poder preditivo dos modelos e entender melhor a necessidade de melhorias na ferramenta construída para previsão de novos materiais de atrito. Notavelmente, as redes neurais artificiais, uma vez treinadas, demonstraram um erro quadrático médio médio (RMSE) que foi 30,8 % menor em comparação com o uso de ajustes multilineares para prever novos resultados de composições anteriormente inexistentes. [resumo fornecido pelo autor]
publishDate 2024
dc.date.submitted.none.fl_str_mv 2024-12-11
dc.date.accessioned.fl_str_mv 2025-03-12T14:19:55Z
dc.date.available.fl_str_mv 2025-03-12T14:19:55Z
dc.date.issued.fl_str_mv 2025-03-11
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ucs.br/11338/14333
url https://repositorio.ucs.br/11338/14333
dc.language.iso.fl_str_mv eng
por
language eng
por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UCS
instname:Universidade de Caxias do Sul (UCS)
instacron:UCS
instname_str Universidade de Caxias do Sul (UCS)
instacron_str UCS
institution UCS
reponame_str Repositório Institucional da UCS
collection Repositório Institucional da UCS
bitstream.url.fl_str_mv https://repositorio.ucs.br/xmlui/bitstream/11338/14333/1/Tese%20Daniel%20Matte.pdf
https://repositorio.ucs.br/xmlui/bitstream/11338/14333/2/Tese%20Daniel%20Matt%c3%a9.pdf
https://repositorio.ucs.br/xmlui/bitstream/11338/14333/3/Tese%20Daniel%20Matte.pdf.txt
https://repositorio.ucs.br/xmlui/bitstream/11338/14333/5/Tese%20Daniel%20Matt%c3%a9.pdf.txt
https://repositorio.ucs.br/xmlui/bitstream/11338/14333/4/Tese%20Daniel%20Matte.pdf.jpg
https://repositorio.ucs.br/xmlui/bitstream/11338/14333/6/Tese%20Daniel%20Matt%c3%a9.pdf.jpg
bitstream.checksum.fl_str_mv eee24272ccafb40b6cdb95f226bf42e7
cdcffe3fc1a2c3dbe9e898877d418b47
e410d2700c4c414ff2b60c02106dcc55
838b240fc9e207cc6072d914022c503c
e1ec40a7a8178fad586af99c0ab4bef7
7a44a85976e28aa7145d681cba97e405
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)
repository.mail.fl_str_mv
_version_ 1851777047914872832

Registros relacionados