Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | eng por |
Título da fonte: | Repositório Institucional da UCS |
Texto Completo: | https://repositorio.ucs.br/11338/10275 |
Resumo: | O Método de Elementos Finitos (MEF) é um recurso de cálculo virtual utilizado no mundo todo para determinar soluções aproximadas para problemas numéricos de engenharia. É comum que uma análise realizada pelo MEF se delongue de acordo com a sua complexidade, tornando um projeto caro e prolongado. Diante deste cenário, o presente trabalho buscou desenvolver uma Rede Neural Artificial (RNA) capaz de prever respostas de elementos finitos e vida sob fadiga para uma aranha de freio, como ferramenta de apoio na tomada de decisão em tempo real para validação estrutural de componentes mecânicos. Para isso, um modelo virtual numérico foi calibrado pelo MEF com base em teorias da mecânica, resultados obtidos de testes de bancada e instrumentações. Embasado por meio da calibração virtual, um banco de dados de elementos finitos foi gerado para aplicação da RNA, contendo 130 dados de um total de 4.800 combinações. O treinamento, validação e teste da RNA foi determinado por meio de um algoritmo de análise de desempenho da RNA. Por fim, os resultados obtidos com a RNA foram comparados com os resultados de elementos finitos e vida sob fadiga computacional, a eficiência do método de predição de respostas em tempo real foi mensurada por meio do Mean Squared Error (MSE). [resumo fornecido pelo autor] |
id |
UCS_d362302d9322f2e57ab98db32c3eacc4 |
---|---|
oai_identifier_str |
oai:repositorio.ucs.br:11338/10275 |
network_acronym_str |
UCS |
network_name_str |
Repositório Institucional da UCS |
repository_id_str |
|
spelling |
Marcon, LucasTeixeira, Giovanni de MoraisLuciano, Marcos AlexandreMezzomo, GustavoNascimento, Vagner doCorso, Leandro LuísVieceli, Alexandre2022-06-13T12:14:24Z2022-06-13T12:14:24Z2022-06-112022-04-29https://repositorio.ucs.br/11338/10275O Método de Elementos Finitos (MEF) é um recurso de cálculo virtual utilizado no mundo todo para determinar soluções aproximadas para problemas numéricos de engenharia. É comum que uma análise realizada pelo MEF se delongue de acordo com a sua complexidade, tornando um projeto caro e prolongado. Diante deste cenário, o presente trabalho buscou desenvolver uma Rede Neural Artificial (RNA) capaz de prever respostas de elementos finitos e vida sob fadiga para uma aranha de freio, como ferramenta de apoio na tomada de decisão em tempo real para validação estrutural de componentes mecânicos. Para isso, um modelo virtual numérico foi calibrado pelo MEF com base em teorias da mecânica, resultados obtidos de testes de bancada e instrumentações. Embasado por meio da calibração virtual, um banco de dados de elementos finitos foi gerado para aplicação da RNA, contendo 130 dados de um total de 4.800 combinações. O treinamento, validação e teste da RNA foi determinado por meio de um algoritmo de análise de desempenho da RNA. Por fim, os resultados obtidos com a RNA foram comparados com os resultados de elementos finitos e vida sob fadiga computacional, a eficiência do método de predição de respostas em tempo real foi mensurada por meio do Mean Squared Error (MSE). [resumo fornecido pelo autor]The Finite Element Method (FEM) is a virtual calculation resource used around the world to determine approximate numerical solutions to engineering problems. It is common for an analysis carried out by the MEF to be delayed according to its complexity, making a project expensive and prolonged. Given this scenario, the present work sought to develop an Artificial Neural Network (ANN) capable of predicting finite element responses and fatigue life for a brake spider, as a support tool in real-time decision making for structural validation of mechanical components. For this, a numerical virtual model was calibrated by the FEM based on theories of mechanics, results obtained from bench tests, and instrumentations. Based on virtual calibration, a finite element database was generated for the ANN application, containing 130 data from a total of 4.800 possibilities. ANN training, validation, and testing were determined using an ANN performance analysis algorithm. Finally, the results obtained with the ANN were compared with the results of finite elements and computational fatigue life, and the efficiency of the real-time response prediction method was measured using the Mean Squared Error (MSE). [resumo fornecido pelo autor]engporEngenharia mecânicaMétodo dos elementos finitosRedes neurais (Computação)Materiais - FadigaInteligência artificialMechanical engineeringFinite element methodNeural networks (Computer science)Materials - ToilArtificial intelligenceAplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do Sulhttp://lattes.cnpq.br/0621650881204669Marcon, LucasMestrado Profissional em Engenharia MecânicaCampus Universitário de Caxias do Sul2022-06-10TEXTDissertacao Lucas Marcon.pdf.txtDissertacao Lucas Marcon.pdf.txtExtracted texttext/plain164604https://repositorio.ucs.br/xmlui/bitstream/11338/10275/3/Dissertacao%20Lucas%20Marcon.pdf.txt3fea46d8c3e65650172a6b019724048aMD53THUMBNAILDissertacao Lucas Marcon.pdf.jpgDissertacao Lucas Marcon.pdf.jpgGenerated Thumbnailimage/jpeg1153https://repositorio.ucs.br/xmlui/bitstream/11338/10275/4/Dissertacao%20Lucas%20Marcon.pdf.jpg9618e46b6b99a7b3e0119d4bf587be24MD54ORIGINALDissertacao Lucas Marcon.pdfDissertacao Lucas Marcon.pdfapplication/pdf3902539https://repositorio.ucs.br/xmlui/bitstream/11338/10275/1/Dissertacao%20Lucas%20Marcon.pdf3c82b6591a8132927042b77578f346bbMD51Dissertacao Lucas Marcon.pdfDissertacao Lucas Marcon.pdfapplication/pdf249479https://repositorio.ucs.br/xmlui/bitstream/11338/10275/2/Dissertacao%20Lucas%20Marcon.pdf95b796697fbba7fd334a6965eb231a64MD5211338/102752022-10-18 17:46:27.85oai:repositorio.ucs.br:11338/10275Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2024-05-06T10:01:20.809420Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos |
title |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos |
spellingShingle |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos Marcon, Lucas Engenharia mecânica Método dos elementos finitos Redes neurais (Computação) Materiais - Fadiga Inteligência artificial Mechanical engineering Finite element method Neural networks (Computer science) Materials - Toil Artificial intelligence |
title_short |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos |
title_full |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos |
title_fullStr |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos |
title_full_unstemmed |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos |
title_sort |
Aplicação de redes neurais no apoio à tomada de decisão para a aprovação de componentes estruturais mecânicos |
author |
Marcon, Lucas |
author_facet |
Marcon, Lucas |
author_role |
author |
dc.contributor.other.none.fl_str_mv |
Teixeira, Giovanni de Morais Luciano, Marcos Alexandre Mezzomo, Gustavo Nascimento, Vagner do |
dc.contributor.author.fl_str_mv |
Marcon, Lucas |
dc.contributor.advisor1.fl_str_mv |
Corso, Leandro Luís Vieceli, Alexandre |
contributor_str_mv |
Corso, Leandro Luís Vieceli, Alexandre |
dc.subject.por.fl_str_mv |
Engenharia mecânica Método dos elementos finitos Redes neurais (Computação) Materiais - Fadiga Inteligência artificial |
topic |
Engenharia mecânica Método dos elementos finitos Redes neurais (Computação) Materiais - Fadiga Inteligência artificial Mechanical engineering Finite element method Neural networks (Computer science) Materials - Toil Artificial intelligence |
dc.subject.eng.fl_str_mv |
Mechanical engineering Finite element method Neural networks (Computer science) Materials - Toil Artificial intelligence |
description |
O Método de Elementos Finitos (MEF) é um recurso de cálculo virtual utilizado no mundo todo para determinar soluções aproximadas para problemas numéricos de engenharia. É comum que uma análise realizada pelo MEF se delongue de acordo com a sua complexidade, tornando um projeto caro e prolongado. Diante deste cenário, o presente trabalho buscou desenvolver uma Rede Neural Artificial (RNA) capaz de prever respostas de elementos finitos e vida sob fadiga para uma aranha de freio, como ferramenta de apoio na tomada de decisão em tempo real para validação estrutural de componentes mecânicos. Para isso, um modelo virtual numérico foi calibrado pelo MEF com base em teorias da mecânica, resultados obtidos de testes de bancada e instrumentações. Embasado por meio da calibração virtual, um banco de dados de elementos finitos foi gerado para aplicação da RNA, contendo 130 dados de um total de 4.800 combinações. O treinamento, validação e teste da RNA foi determinado por meio de um algoritmo de análise de desempenho da RNA. Por fim, os resultados obtidos com a RNA foram comparados com os resultados de elementos finitos e vida sob fadiga computacional, a eficiência do método de predição de respostas em tempo real foi mensurada por meio do Mean Squared Error (MSE). [resumo fornecido pelo autor] |
publishDate |
2022 |
dc.date.submitted.none.fl_str_mv |
2022-04-29 |
dc.date.accessioned.fl_str_mv |
2022-06-13T12:14:24Z |
dc.date.available.fl_str_mv |
2022-06-13T12:14:24Z |
dc.date.issued.fl_str_mv |
2022-06-11 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ucs.br/11338/10275 |
url |
https://repositorio.ucs.br/11338/10275 |
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/11338/10275/3/Dissertacao%20Lucas%20Marcon.pdf.txt https://repositorio.ucs.br/xmlui/bitstream/11338/10275/4/Dissertacao%20Lucas%20Marcon.pdf.jpg https://repositorio.ucs.br/xmlui/bitstream/11338/10275/1/Dissertacao%20Lucas%20Marcon.pdf https://repositorio.ucs.br/xmlui/bitstream/11338/10275/2/Dissertacao%20Lucas%20Marcon.pdf |
bitstream.checksum.fl_str_mv |
3fea46d8c3e65650172a6b019724048a 9618e46b6b99a7b3e0119d4bf587be24 3c82b6591a8132927042b77578f346bb 95b796697fbba7fd334a6965eb231a64 |
bitstream.checksumAlgorithm.fl_str_mv |
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_ |
1813258431640895488 |