Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento

• Autor(a) principal: Sauer, Róger Schütz
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/267955
• topic: Ligas de ferro; Dureza; Revenimento; Aprendizado de máquina; tempering; hardness; cast iron; machine learning

Os resultados dos processos de alívio de tensões e revenimento estão condicionados à temperatura e ao tempo do procedimento, os quais podem ser relacionados através de parâmetros como o de Holloman-Jaffe ou o de Larson-Miller. Esses parâmetros quantificam o efeito térmico do processo na transformação metalúrgica do aço durante o revenimento. Processos que compartilham o mesmo valor do parâmetro de revenimento são esperados para produzir efeitos semelhantes, como na dureza do material. Ao se sustentar nas limitações desses parâmetros de revenido vigentes, esta pesquisa tem por objetivo investigar na plataforma de mineração de dados WEKA o algoritmo de aprendizado de máquina com o melhor desempenho para a previsão da propriedade mecânica de dureza das ligas ferrosas SAE 1045, SAE 4140 e DIN GGG50 submetidas a um tratamento térmico de revenimento. Para atingir este objetivo uma base de dados foi montada, contendo um total de 21.041 registros de dados experimentais de revenimento compilados da literatura metalúrgica, obtidos de aços ao carbono e de aços de baixo teor em liga, envolvendo tempo e temperatura de revenido, composição química dos aços (em % de massa dos elementos químicos C, Mn, P, S, Si, Ni, Cr, Mo, V, Al e Cu) e suas durezas pós têmpera e pós revenido Foram avaliadas a aplicabilidade de 28 algoritmos de aprendizado de máquina em suas capacidades de predições de dureza em ligas ferrosas SAE 1045, SAE 4140 e DIN GGG50 após o tratamento térmico de revenimento. Para isso, foram empregadas 2 metodologias de ajuste dos modelos (algoritmos de aprendizado de máquina), no que resultou em 56 testes de validação para cada uma das 3 ligas ferrosas ensaiadas no presente trabalho. Por fim, o algoritmo de aprendizado de máquina M5.Rules despontou como destaque dentre os 28 algoritmos da WEKA aplicados nesta pesquisa para a previsão da propriedade mecânica de dureza das ligas ferrosas SAE 1045, SAE 4140 e DIN GGG50 após o tratamento térmico de revenimento