Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal do Ceará (UFC) |
Texto Completo: | http://www.repositorio.ufc.br/handle/riufc/49234 |
Resumo: | With the advancement of technology, it is becoming increasingly necessary to use advanced tools in the pursuit of maximizing production and cost reduction in the steel industries. The present work studies two data prediction algorithms: a Radial Base Function Neural Network (RBFN) and a Multiple Linear Regression (MLR) to predict 4 main mechanical properties resulting from the production of steel rebar: yield strength (LE), ultimate tensile strength (LR), ultimate tensile strength and yield strength (LR / LE) and elongation ratio (AL). Through data obtained from the steelmaking and rolling, ranging from the chemical composition of the material to temperatures throughout the process, production rate and water pressure and flow in the final heat treatment, we seek to find a suitable mathematical model that can the final mechanical properties of the product resulting from this process. The coefficient of determination (R2) was used to determine the quality of the model found in the various configurations tested during 100 test rounds each for the two algorithms, randomly dividing the available data into one training set and one test set. For the multiple linear regression, for the LE, LR, LR / LE and AL, respectively, an average R2 0.5146, 0.2388, 0.7633 and 0.5099 was found. For the neural network, 0.8437, 0.7403, 0.8691 and 0.7015. The results indicate that RBFN was able to more accurately predict the properties when compared to MLR. The R2 averages of 100 network rounds, considering a real and complex problem of a steel mill, can be considered high, representing an important and easy implementation tool. |
id |
UFC-7_93fdae54109f259d85db1105f3f42aa3 |
---|---|
oai_identifier_str |
oai:repositorio.ufc.br:riufc/49234 |
network_acronym_str |
UFC-7 |
network_name_str |
Repositório Institucional da Universidade Federal do Ceará (UFC) |
repository_id_str |
|
spelling |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de açoUse of radial basis and multiple linear regression neural networks for the prediction of mechanical properties of steel rebarRedes neurais artificiaisRegressão linear múltiplaSiderurgiaPropriedades mecânicasWith the advancement of technology, it is becoming increasingly necessary to use advanced tools in the pursuit of maximizing production and cost reduction in the steel industries. The present work studies two data prediction algorithms: a Radial Base Function Neural Network (RBFN) and a Multiple Linear Regression (MLR) to predict 4 main mechanical properties resulting from the production of steel rebar: yield strength (LE), ultimate tensile strength (LR), ultimate tensile strength and yield strength (LR / LE) and elongation ratio (AL). Through data obtained from the steelmaking and rolling, ranging from the chemical composition of the material to temperatures throughout the process, production rate and water pressure and flow in the final heat treatment, we seek to find a suitable mathematical model that can the final mechanical properties of the product resulting from this process. The coefficient of determination (R2) was used to determine the quality of the model found in the various configurations tested during 100 test rounds each for the two algorithms, randomly dividing the available data into one training set and one test set. For the multiple linear regression, for the LE, LR, LR / LE and AL, respectively, an average R2 0.5146, 0.2388, 0.7633 and 0.5099 was found. For the neural network, 0.8437, 0.7403, 0.8691 and 0.7015. The results indicate that RBFN was able to more accurately predict the properties when compared to MLR. The R2 averages of 100 network rounds, considering a real and complex problem of a steel mill, can be considered high, representing an important and easy implementation tool.Com o avanço da tecnologia torna-se cada vez mais necessária a utilização de ferramentas avançadas na busca da maximização da produção e redução dos custos nas indústrias siderúrgicas. O presente trabalho estuda dois algoritmos de previsão de dados: uma Rede Neural de Funções de Base Radial (RBFN) e uma Regressão Linear Múltipla (MLR) no intuito de prever 4 propriedades mecânicas principais resultantes da produção de vergalhões de aço: Limite de Escoamento (LE), Limite de Resistência à Tração (LR), Razão entre Limite de Resistência à Tração e Limite de Escoamento (LR/LE) e Alongamento (AL). Através de dados obtidos da aciaria e laminação, que vão desde a composição química do material até a temperaturas ao longo do processo, ritmo de produção e pressão e vazão da água no tratamento térmico final, busca-se encontrar um modelo matemático adequado que possa prever as propriedades mecânicas finais do produto resultante desse processo. O coeficiente de determinação (R2) foi utilizado para determinar a qualidade do modelo encontrado nas diversas configurações testadas durante 100 rodadas de teste cada para os dois algoritmos, dividindo-se aleatoriamente os dados disponíveis em um conjunto de treinamento e um conjunto de teste. Para a regressão linear múltipla, encontrou-se, respectivamente, para o LE, LR, LR/LE e AL, um R2 médio de 0,5146, 0,2388, 0,7633 e 0,5099, já para a rede neural, encontrou-se 0,8437, 0,7403, 0,8691 e 0,7015. Os resultados indicam que a RBFN conseguiu prever com mais precisão as propriedades quando comparada a MLR. As médias do R2 de 100 rodadas da rede, considerando um problema real e complexo de uma siderúrgica, podem ser consideradas altas, representando uma ferramenta importante e de fácil implementação.Moura, Elineudo Pinho deBraga, Fabrício Damasceno2020-01-15T13:16:46Z2020-01-15T13:16:46Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfBRAGA, Fabrício Damasceno. Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço. 2019. 64 f. Monografia (Graduação em Engenharia Metalúrgica) - Universidade Federal do Ceará, Fortaleza, 2019.http://www.repositorio.ufc.br/handle/riufc/49234porreponame:Repositório Institucional da Universidade Federal do Ceará (UFC)instname:Universidade Federal do Ceará (UFC)instacron:UFCinfo:eu-repo/semantics/openAccess2020-01-15T13:18:57Zoai:repositorio.ufc.br:riufc/49234Repositório InstitucionalPUBhttp://www.repositorio.ufc.br/ri-oai/requestbu@ufc.br || repositorio@ufc.bropendoar:2024-09-11T19:00:38.067549Repositório Institucional da Universidade Federal do Ceará (UFC) - Universidade Federal do Ceará (UFC)false |
dc.title.none.fl_str_mv |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço Use of radial basis and multiple linear regression neural networks for the prediction of mechanical properties of steel rebar |
title |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço |
spellingShingle |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço Braga, Fabrício Damasceno Redes neurais artificiais Regressão linear múltipla Siderurgia Propriedades mecânicas |
title_short |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço |
title_full |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço |
title_fullStr |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço |
title_full_unstemmed |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço |
title_sort |
Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço |
author |
Braga, Fabrício Damasceno |
author_facet |
Braga, Fabrício Damasceno |
author_role |
author |
dc.contributor.none.fl_str_mv |
Moura, Elineudo Pinho de |
dc.contributor.author.fl_str_mv |
Braga, Fabrício Damasceno |
dc.subject.por.fl_str_mv |
Redes neurais artificiais Regressão linear múltipla Siderurgia Propriedades mecânicas |
topic |
Redes neurais artificiais Regressão linear múltipla Siderurgia Propriedades mecânicas |
description |
With the advancement of technology, it is becoming increasingly necessary to use advanced tools in the pursuit of maximizing production and cost reduction in the steel industries. The present work studies two data prediction algorithms: a Radial Base Function Neural Network (RBFN) and a Multiple Linear Regression (MLR) to predict 4 main mechanical properties resulting from the production of steel rebar: yield strength (LE), ultimate tensile strength (LR), ultimate tensile strength and yield strength (LR / LE) and elongation ratio (AL). Through data obtained from the steelmaking and rolling, ranging from the chemical composition of the material to temperatures throughout the process, production rate and water pressure and flow in the final heat treatment, we seek to find a suitable mathematical model that can the final mechanical properties of the product resulting from this process. The coefficient of determination (R2) was used to determine the quality of the model found in the various configurations tested during 100 test rounds each for the two algorithms, randomly dividing the available data into one training set and one test set. For the multiple linear regression, for the LE, LR, LR / LE and AL, respectively, an average R2 0.5146, 0.2388, 0.7633 and 0.5099 was found. For the neural network, 0.8437, 0.7403, 0.8691 and 0.7015. The results indicate that RBFN was able to more accurately predict the properties when compared to MLR. The R2 averages of 100 network rounds, considering a real and complex problem of a steel mill, can be considered high, representing an important and easy implementation tool. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019 2020-01-15T13:16:46Z 2020-01-15T13:16:46Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
BRAGA, Fabrício Damasceno. Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço. 2019. 64 f. Monografia (Graduação em Engenharia Metalúrgica) - Universidade Federal do Ceará, Fortaleza, 2019. http://www.repositorio.ufc.br/handle/riufc/49234 |
identifier_str_mv |
BRAGA, Fabrício Damasceno. Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço. 2019. 64 f. Monografia (Graduação em Engenharia Metalúrgica) - Universidade Federal do Ceará, Fortaleza, 2019. |
url |
http://www.repositorio.ufc.br/handle/riufc/49234 |
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.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal do Ceará (UFC) instname:Universidade Federal do Ceará (UFC) instacron:UFC |
instname_str |
Universidade Federal do Ceará (UFC) |
instacron_str |
UFC |
institution |
UFC |
reponame_str |
Repositório Institucional da Universidade Federal do Ceará (UFC) |
collection |
Repositório Institucional da Universidade Federal do Ceará (UFC) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal do Ceará (UFC) - Universidade Federal do Ceará (UFC) |
repository.mail.fl_str_mv |
bu@ufc.br || repositorio@ufc.br |
_version_ |
1813029032170618880 |