Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais
Ano de defesa: | 2015 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Minas Gerais
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://hdl.handle.net/1843/BUBD-A3QQB9 |
Resumo: | No processo de termoformagem a vácuo, a qualidade final da peça depende de diversas variantes do sistema, que tornam a sua modelagem matemática computacional um processo complexo multivariável e de objetivos conflitantes. Por conseguinte, as expectativas quanto aos desvios do produto são, por vezes, subjetivas e dependentes do conhecimento prévio do executor. Neste sentido, este trabalho desenvolveu modelos utilizando Redes Neurais Artificiais (RNA) visando à correta previsão e minimização dos valores dos desvios da peças termoformadas a vácuo em limites admissíveis de tolerância. Para tal, foram produzidas amostras em testes exploratórios, experimentais e de validação de uma peça típica em Poliestireno (PS), por meio do planejamento fatorial fracionado (2k-p). Este estudo inicial permitiu identificar que todos os fatores principais são significativos em pelo menos um dos desvios dimensionais ou geométricos da peça. Posteriormente, foram programadas e testadas RNA com diversas estruturas e configurações e comparativamente Modelos de Otimização de Múltiplas Respostas (MOMR). Os resultados mostraram que os modelos de RNA e MOMR foram capazes de convergir para configurações de parâmetros de fabricação que otimizam os desvios da peça, entretanto, só os modelos com RNA conseguiram obter erros de estimativa dentro dos limites dos valores encontrados nos testes de validação. Assim, demonstrou-se que os modelos com RNA são propostas promissoras para o desenvolvimento de modelos e algoritmos que estimem e minimizem desvios de peças termoformadas a vácuo. |
id |
UFMG_c16d6065b3ce3e75e7b65c8f948573e6 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/BUBD-A3QQB9 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Juan Carlos Campos RubioFrancisco Mata CabreraAlexandre Mendes AbraoPaulo Eustaquio de FariaTulio Hallak PanzeraRosemary Bom Conselho SalesWanderson de Oliveira Leite2019-08-12T14:10:07Z2019-08-12T14:10:07Z2015-03-29http://hdl.handle.net/1843/BUBD-A3QQB9No processo de termoformagem a vácuo, a qualidade final da peça depende de diversas variantes do sistema, que tornam a sua modelagem matemática computacional um processo complexo multivariável e de objetivos conflitantes. Por conseguinte, as expectativas quanto aos desvios do produto são, por vezes, subjetivas e dependentes do conhecimento prévio do executor. Neste sentido, este trabalho desenvolveu modelos utilizando Redes Neurais Artificiais (RNA) visando à correta previsão e minimização dos valores dos desvios da peças termoformadas a vácuo em limites admissíveis de tolerância. Para tal, foram produzidas amostras em testes exploratórios, experimentais e de validação de uma peça típica em Poliestireno (PS), por meio do planejamento fatorial fracionado (2k-p). Este estudo inicial permitiu identificar que todos os fatores principais são significativos em pelo menos um dos desvios dimensionais ou geométricos da peça. Posteriormente, foram programadas e testadas RNA com diversas estruturas e configurações e comparativamente Modelos de Otimização de Múltiplas Respostas (MOMR). Os resultados mostraram que os modelos de RNA e MOMR foram capazes de convergir para configurações de parâmetros de fabricação que otimizam os desvios da peça, entretanto, só os modelos com RNA conseguiram obter erros de estimativa dentro dos limites dos valores encontrados nos testes de validação. Assim, demonstrou-se que os modelos com RNA são propostas promissoras para o desenvolvimento de modelos e algoritmos que estimem e minimizem desvios de peças termoformadas a vácuo.Universidade Federal de Minas GeraisUFMGRedes neurais (Computação)Engenharia de produçãoRedes neurais artificiaisDesviosPlanejamento e análise de experimentosTermoformagem a vácuodimensionais e geométricosModelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALtese_leite.w.o_2011712534.pdfapplication/pdf5553122https://repositorio.ufmg.br/bitstream/1843/BUBD-A3QQB9/1/tese_leite.w.o_2011712534.pdfbcc64b946d54e1c55464a365849d5eb2MD51TEXTtese_leite.w.o_2011712534.pdf.txttese_leite.w.o_2011712534.pdf.txtExtracted texttext/plain280875https://repositorio.ufmg.br/bitstream/1843/BUBD-A3QQB9/2/tese_leite.w.o_2011712534.pdf.txt4ef61d1f12f4909f11cf8c167dc849f4MD521843/BUBD-A3QQB92020-01-29 14:25:49.718oai:repositorio.ufmg.br:1843/BUBD-A3QQB9Repositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2020-01-29T17:25:49Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
title |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
spellingShingle |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais Wanderson de Oliveira Leite Redes neurais artificiais Desvios Planejamento e análise de experimentos Termoformagem a vácuo dimensionais e geométricos Redes neurais (Computação) Engenharia de produção |
title_short |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
title_full |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
title_fullStr |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
title_full_unstemmed |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
title_sort |
Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
author |
Wanderson de Oliveira Leite |
author_facet |
Wanderson de Oliveira Leite |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Juan Carlos Campos Rubio |
dc.contributor.advisor-co1.fl_str_mv |
Francisco Mata Cabrera |
dc.contributor.referee1.fl_str_mv |
Alexandre Mendes Abrao |
dc.contributor.referee2.fl_str_mv |
Paulo Eustaquio de Faria |
dc.contributor.referee3.fl_str_mv |
Tulio Hallak Panzera |
dc.contributor.referee4.fl_str_mv |
Rosemary Bom Conselho Sales |
dc.contributor.author.fl_str_mv |
Wanderson de Oliveira Leite |
contributor_str_mv |
Juan Carlos Campos Rubio Francisco Mata Cabrera Alexandre Mendes Abrao Paulo Eustaquio de Faria Tulio Hallak Panzera Rosemary Bom Conselho Sales |
dc.subject.por.fl_str_mv |
Redes neurais artificiais Desvios Planejamento e análise de experimentos Termoformagem a vácuo dimensionais e geométricos |
topic |
Redes neurais artificiais Desvios Planejamento e análise de experimentos Termoformagem a vácuo dimensionais e geométricos Redes neurais (Computação) Engenharia de produção |
dc.subject.other.pt_BR.fl_str_mv |
Redes neurais (Computação) Engenharia de produção |
description |
No processo de termoformagem a vácuo, a qualidade final da peça depende de diversas variantes do sistema, que tornam a sua modelagem matemática computacional um processo complexo multivariável e de objetivos conflitantes. Por conseguinte, as expectativas quanto aos desvios do produto são, por vezes, subjetivas e dependentes do conhecimento prévio do executor. Neste sentido, este trabalho desenvolveu modelos utilizando Redes Neurais Artificiais (RNA) visando à correta previsão e minimização dos valores dos desvios da peças termoformadas a vácuo em limites admissíveis de tolerância. Para tal, foram produzidas amostras em testes exploratórios, experimentais e de validação de uma peça típica em Poliestireno (PS), por meio do planejamento fatorial fracionado (2k-p). Este estudo inicial permitiu identificar que todos os fatores principais são significativos em pelo menos um dos desvios dimensionais ou geométricos da peça. Posteriormente, foram programadas e testadas RNA com diversas estruturas e configurações e comparativamente Modelos de Otimização de Múltiplas Respostas (MOMR). Os resultados mostraram que os modelos de RNA e MOMR foram capazes de convergir para configurações de parâmetros de fabricação que otimizam os desvios da peça, entretanto, só os modelos com RNA conseguiram obter erros de estimativa dentro dos limites dos valores encontrados nos testes de validação. Assim, demonstrou-se que os modelos com RNA são propostas promissoras para o desenvolvimento de modelos e algoritmos que estimem e minimizem desvios de peças termoformadas a vácuo. |
publishDate |
2015 |
dc.date.issued.fl_str_mv |
2015-03-29 |
dc.date.accessioned.fl_str_mv |
2019-08-12T14:10:07Z |
dc.date.available.fl_str_mv |
2019-08-12T14:10:07Z |
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 |
http://hdl.handle.net/1843/BUBD-A3QQB9 |
url |
http://hdl.handle.net/1843/BUBD-A3QQB9 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/BUBD-A3QQB9/1/tese_leite.w.o_2011712534.pdf https://repositorio.ufmg.br/bitstream/1843/BUBD-A3QQB9/2/tese_leite.w.o_2011712534.pdf.txt |
bitstream.checksum.fl_str_mv |
bcc64b946d54e1c55464a365849d5eb2 4ef61d1f12f4909f11cf8c167dc849f4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1801677179072806912 |