Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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 |
id |
UFRGS-2_9cdc0742aa06f6d1bac8abe6c6fb4398 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/267955 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Sauer, Róger SchützTakimi, Antonio ShigueakiGarcia, Luan Fonseca2023-12-02T03:25:27Z2023http://hdl.handle.net/10183/267955001188378Os 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 revenimentoThe results of stress relief and tempering processes are conditioned to the temperature and time of the procedure, which can be related through parameters such as Holloman-Jaffe or Larson-Miller. These parameters quantify the thermal effect of the process on the metallurgical transformation of steel during tempering. Processes that share the same tempering parameter value are expected to produce similar effects, such as on material hardness. Based on the limitations of these current tempering parameters, this research aims to investigate, on the WEKA data mining platform, the machine learning algorithm with the best performance for predicting the mechanical property of hardness of ferrous alloys SAE 1045, SAE 4140 and DIN GGG50 subjected to a tempering heat treatment. To achieve this objective, a database was set up, containing a total of 21,041 records of experimental tempering data compiled from the metallurgical literature, obtained from carbon steels and low-alloy steels, involving tempering time and temperature, chemical composition of steels (in weight % of chemical elements C, Mn, P, S, Si, Ni, Cr, Mo, V, Al and Cu) and their hardness after quenching and after tempering The applicability of 28 machine learning algorithms in their ability to predict hardness in ferrous alloys SAE 1045, SAE 4140 and DIN GGG50 after tempering heat treatment was evaluated. For this, 2 model adjustment methodologies (machine learning algorithms) were used, which resulted in 56 validation tests for each of the 3 ferrous alloys tested in this work. Finally, the M5.Rules machine learning algorithm emerged as a highlight among the 28 WEKA algorithms applied in this research to predict the mechanical hardness property of ferrous alloys SAE 1045, SAE 4140 and DIN GGG50 after tempering heat treatmentapplication/pdfporLigas de ferroDurezaRevenimentoAprendizado de máquinatemperinghardnesscast ironmachine learningAplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimentoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2023Engenharia Metalúrgicagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001188378.pdf.txt001188378.pdf.txtExtracted Texttext/plain134444http://www.lume.ufrgs.br/bitstream/10183/267955/2/001188378.pdf.txt0229db6ecd4ce94c92a9e86ac2d2a9dbMD52ORIGINAL001188378.pdfTexto completoapplication/pdf1984840http://www.lume.ufrgs.br/bitstream/10183/267955/1/001188378.pdf51659defc5de2eb6c0a265564cb4b123MD5110183/2679552023-12-03 04:25:58.200832oai:www.lume.ufrgs.br:10183/267955Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2023-12-03T06:25:58Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento |
title |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento |
spellingShingle |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento Sauer, Róger Schütz Ligas de ferro Dureza Revenimento Aprendizado de máquina tempering hardness cast iron machine learning |
title_short |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento |
title_full |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento |
title_fullStr |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento |
title_full_unstemmed |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento |
title_sort |
Aplicação de aprendizado de máquina para a previsão de dureza em ligas ferrosas submetidas ao tratamento térmico de revenimento |
author |
Sauer, Róger Schütz |
author_facet |
Sauer, Róger Schütz |
author_role |
author |
dc.contributor.author.fl_str_mv |
Sauer, Róger Schütz |
dc.contributor.advisor1.fl_str_mv |
Takimi, Antonio Shigueaki |
dc.contributor.advisor-co1.fl_str_mv |
Garcia, Luan Fonseca |
contributor_str_mv |
Takimi, Antonio Shigueaki Garcia, Luan Fonseca |
dc.subject.por.fl_str_mv |
Ligas de ferro Dureza Revenimento Aprendizado de máquina |
topic |
Ligas de ferro Dureza Revenimento Aprendizado de máquina tempering hardness cast iron machine learning |
dc.subject.eng.fl_str_mv |
tempering hardness cast iron machine learning |
description |
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 |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-12-02T03:25:27Z |
dc.date.issued.fl_str_mv |
2023 |
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 |
http://hdl.handle.net/10183/267955 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001188378 |
url |
http://hdl.handle.net/10183/267955 |
identifier_str_mv |
001188378 |
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 UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/267955/2/001188378.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/267955/1/001188378.pdf |
bitstream.checksum.fl_str_mv |
0229db6ecd4ce94c92a9e86ac2d2a9db 51659defc5de2eb6c0a265564cb4b123 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224671589302272 |