Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/53264 |
Resumo: | Este trabalho desenvolve uma nova metodologia de redes neurais artificiais para obtenção de curvas de vida constante à fadiga de compósitos utilizando o algoritmo de treinamento Levemberg Marquard e a técnica de inicialização de pesos sinápticos proposta por Glorot e Bengio. Para tanto verificou-se sua utilidade em um laminado de fibra de vidro designado de DD16, comparando seus resultados com análises anteriores apresentadas na literatura. Objetiva-se com este trabalho a comparação entre os diferentes algoritmos de treinamento e inicialização de maneira a verificar o comportamento das curvas de erro médio quadrático do conjunto de treinamento e do conjunto total de dados, em função das épocas de treinamento, analisar a repetibilidade das redes neurais artificiais desenvolvidas e identificar o comportamento do sinal ruído. Analisou-se quatro casos de treinamento da RNA utilizando o algoritmo Back-Propagation (BP), o algoritmo de Levemberg- Marquardt, com e sem a inicialização de pesos de Glorot. Pelos resultados obtidos, percebeu-se que o algoritmo Levemberg Marquard possui vantagens em relação a metodologias aplicadas anteriormente, tornando o resultado mais confiável, porém ainda é necessário fazer novos testes para outros materiais para confirmação dos resultados. Outro fato observado é que a utilização do método de inicialização de Glorot e Yoshua apresentou melhorias na repetibilidade na RNA treinada com LM e pioras na RNA treinada com BP, quando comparado ao método de inicialização padrão. |
id |
UFRN_423db51c70dfe637a114a0c23fe2a3d9 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/53264 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Barbosa, Lucas Alexandre Gomeshttp://lattes.cnpq.br/1920337903521489http://lattes.cnpq.br/1042806990155996Cardoso, Raphael Araujohttp://lattes.cnpq.br/4020351126682611Barbosa, Joelton Fonsecahttp://lattes.cnpq.br/7910377572634313Freire Junior, Raimundo Carlos Silverio2023-07-12T17:32:52Z2023-07-12T17:32:52Z2023-07-07BARBOSA, Lucas Alexandre Gomes. Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos. 2023. 63f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Departamento de Engenharia Mecânica. Universidade Federal do Rio Grande do Norte, Natal, 2023.https://repositorio.ufrn.br/handle/123456789/53264Este trabalho desenvolve uma nova metodologia de redes neurais artificiais para obtenção de curvas de vida constante à fadiga de compósitos utilizando o algoritmo de treinamento Levemberg Marquard e a técnica de inicialização de pesos sinápticos proposta por Glorot e Bengio. Para tanto verificou-se sua utilidade em um laminado de fibra de vidro designado de DD16, comparando seus resultados com análises anteriores apresentadas na literatura. Objetiva-se com este trabalho a comparação entre os diferentes algoritmos de treinamento e inicialização de maneira a verificar o comportamento das curvas de erro médio quadrático do conjunto de treinamento e do conjunto total de dados, em função das épocas de treinamento, analisar a repetibilidade das redes neurais artificiais desenvolvidas e identificar o comportamento do sinal ruído. Analisou-se quatro casos de treinamento da RNA utilizando o algoritmo Back-Propagation (BP), o algoritmo de Levemberg- Marquardt, com e sem a inicialização de pesos de Glorot. Pelos resultados obtidos, percebeu-se que o algoritmo Levemberg Marquard possui vantagens em relação a metodologias aplicadas anteriormente, tornando o resultado mais confiável, porém ainda é necessário fazer novos testes para outros materiais para confirmação dos resultados. Outro fato observado é que a utilização do método de inicialização de Glorot e Yoshua apresentou melhorias na repetibilidade na RNA treinada com LM e pioras na RNA treinada com BP, quando comparado ao método de inicialização padrão.This work develops a new methodology of artificial neural networks for obtaining constant fatigue life curves of composites using the Levemberg Marquard training algorithm and the synaptic weights initialization technique proposed by Glorot and Bengio. For this, its usefulness was verified in a fiberglass laminate designated as DD16, comparing its results with previous analyses presented in the literature. The objective of this work is to compare different training and initialization algorithms in order to verify the behavior of the mean squared error curves of the training set and the total data set, as a function of the training epochs, to analyze the repeatability of the developed ANNs, and to identify the behavior of the signal noise. Four cases of ANN training were analyzed using the Back-Propagation (BP) algorithm, the Levemberg-Marquardt algorithm, with and without Glorot's weights initialization. From the results obtained, it was observed that the Levemberg Marquard algorithm has advantages in relation to previously applied methodologies, making the results more reliable, however, it is still necessary to perform new tests for other materials to confirm the results. Another fact observed is that the utilization of the Glorot and Yoshua initialization method presented improvements in repeatability in the ANN trained with LM and worsening in the ANN trained with BP, when compared with the standard initialization method.Universidade Federal do Rio Grande do NorteEngenharia MecânicaUFRNBrasilEngenharia MecânicaAttribution-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nd/3.0/br/info:eu-repo/semantics/openAccessMateriais compósitosFadigaLevenberg-MarquardtRedes Neurais ArtificiaisComposite materialsFatigueLevemberg-MarquardtArtificial Neural NetworksUtilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitosUsing the Levenberg-Marquardt training algorithm to analyze the fatigue behavior of composite materialsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALTCC- LUCAS A G B (COM FICHA CATALOGRÁFICA).pdfTCC- LUCAS A G B (COM FICHA CATALOGRÁFICA).pdfapplication/pdf46707268https://repositorio.ufrn.br/bitstream/123456789/53264/1/TCC-%20LUCAS%20A%20G%20B%20%28COM%20FICHA%20CATALOGR%c3%81FICA%29.pdfabef3cc608ea6b0f79421243ada88c12MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.ufrn.br/bitstream/123456789/53264/2/license_rdfc4c98de35c20c53220c07884f4def27cMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81484https://repositorio.ufrn.br/bitstream/123456789/53264/3/license.txte9597aa2854d128fd968be5edc8a28d9MD53123456789/532642023-07-12 14:32:52.92oai:https://repositorio.ufrn.br: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Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2023-07-12T17:32:52Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos |
dc.title.alternative.pt_BR.fl_str_mv |
Using the Levenberg-Marquardt training algorithm to analyze the fatigue behavior of composite materials |
title |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos |
spellingShingle |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos Barbosa, Lucas Alexandre Gomes Materiais compósitos Fadiga Levenberg-Marquardt Redes Neurais Artificiais Composite materials Fatigue Levemberg-Marquardt Artificial Neural Networks |
title_short |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos |
title_full |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos |
title_fullStr |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos |
title_full_unstemmed |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos |
title_sort |
Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos |
author |
Barbosa, Lucas Alexandre Gomes |
author_facet |
Barbosa, Lucas Alexandre Gomes |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1920337903521489 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1042806990155996 |
dc.contributor.referees1.none.fl_str_mv |
Cardoso, Raphael Araujo |
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4020351126682611 |
dc.contributor.referees2.none.fl_str_mv |
Barbosa, Joelton Fonseca |
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7910377572634313 |
dc.contributor.author.fl_str_mv |
Barbosa, Lucas Alexandre Gomes |
dc.contributor.advisor1.fl_str_mv |
Freire Junior, Raimundo Carlos Silverio |
contributor_str_mv |
Freire Junior, Raimundo Carlos Silverio |
dc.subject.por.fl_str_mv |
Materiais compósitos Fadiga Levenberg-Marquardt Redes Neurais Artificiais Composite materials Fatigue Levemberg-Marquardt Artificial Neural Networks |
topic |
Materiais compósitos Fadiga Levenberg-Marquardt Redes Neurais Artificiais Composite materials Fatigue Levemberg-Marquardt Artificial Neural Networks |
description |
Este trabalho desenvolve uma nova metodologia de redes neurais artificiais para obtenção de curvas de vida constante à fadiga de compósitos utilizando o algoritmo de treinamento Levemberg Marquard e a técnica de inicialização de pesos sinápticos proposta por Glorot e Bengio. Para tanto verificou-se sua utilidade em um laminado de fibra de vidro designado de DD16, comparando seus resultados com análises anteriores apresentadas na literatura. Objetiva-se com este trabalho a comparação entre os diferentes algoritmos de treinamento e inicialização de maneira a verificar o comportamento das curvas de erro médio quadrático do conjunto de treinamento e do conjunto total de dados, em função das épocas de treinamento, analisar a repetibilidade das redes neurais artificiais desenvolvidas e identificar o comportamento do sinal ruído. Analisou-se quatro casos de treinamento da RNA utilizando o algoritmo Back-Propagation (BP), o algoritmo de Levemberg- Marquardt, com e sem a inicialização de pesos de Glorot. Pelos resultados obtidos, percebeu-se que o algoritmo Levemberg Marquard possui vantagens em relação a metodologias aplicadas anteriormente, tornando o resultado mais confiável, porém ainda é necessário fazer novos testes para outros materiais para confirmação dos resultados. Outro fato observado é que a utilização do método de inicialização de Glorot e Yoshua apresentou melhorias na repetibilidade na RNA treinada com LM e pioras na RNA treinada com BP, quando comparado ao método de inicialização padrão. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-07-12T17:32:52Z |
dc.date.available.fl_str_mv |
2023-07-12T17:32:52Z |
dc.date.issued.fl_str_mv |
2023-07-07 |
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.citation.fl_str_mv |
BARBOSA, Lucas Alexandre Gomes. Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos. 2023. 63f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Departamento de Engenharia Mecânica. Universidade Federal do Rio Grande do Norte, Natal, 2023. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/53264 |
identifier_str_mv |
BARBOSA, Lucas Alexandre Gomes. Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos. 2023. 63f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Departamento de Engenharia Mecânica. Universidade Federal do Rio Grande do Norte, Natal, 2023. |
url |
https://repositorio.ufrn.br/handle/123456789/53264 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
Engenharia Mecânica |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Engenharia Mecânica |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/53264/1/TCC-%20LUCAS%20A%20G%20B%20%28COM%20FICHA%20CATALOGR%c3%81FICA%29.pdf https://repositorio.ufrn.br/bitstream/123456789/53264/2/license_rdf https://repositorio.ufrn.br/bitstream/123456789/53264/3/license.txt |
bitstream.checksum.fl_str_mv |
abef3cc608ea6b0f79421243ada88c12 c4c98de35c20c53220c07884f4def27c e9597aa2854d128fd968be5edc8a28d9 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1814832775462649856 |