Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Outros Autores: | |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://dx.doi.org/10.1590/S0103-65132014005000005 http://hdl.handle.net/11449/109561 |
Resumo: | The injection molding of automotive parts is a complex process due to the many non-linear and multivariable phenomena that occur simultaneously. Commercial software applications exist for modeling the parameters of polymer injection but can be prohibitively expensive. It is possible to identify these parameters analytically, but applying classical theories of transport phenomena requires accurate information about the injection machine, product geometry, and process parameters. However, neurofuzzy networks, which achieve a synergy by combining the learning capabilities of an artificial neural network with a fuzzy set's inference mechanism, have shown success in this field. The purpose of this paper was to use a multilayer perceptron artificial neural network and a radial basis function artificial neural network combined with fuzzy sets to produce an inference mechanism that could predict injection mold cycle times. The results confirmed neurofuzzy networks as an effective alternative to solving such problems. |
id |
UNSP_19e613baa054a1dc178310b980ed5bc1 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/109561 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímerosApplication of neurofuzzy networks for the processing of automotive parts by polymer injection moldingIndústria automotivaPolímerosProcesso de injeçãoRedes NeuroFuzzyAutomotive industryPolymersInjection moldNeurofuzzy networkThe injection molding of automotive parts is a complex process due to the many non-linear and multivariable phenomena that occur simultaneously. Commercial software applications exist for modeling the parameters of polymer injection but can be prohibitively expensive. It is possible to identify these parameters analytically, but applying classical theories of transport phenomena requires accurate information about the injection machine, product geometry, and process parameters. However, neurofuzzy networks, which achieve a synergy by combining the learning capabilities of an artificial neural network with a fuzzy set's inference mechanism, have shown success in this field. The purpose of this paper was to use a multilayer perceptron artificial neural network and a radial basis function artificial neural network combined with fuzzy sets to produce an inference mechanism that could predict injection mold cycle times. The results confirmed neurofuzzy networks as an effective alternative to solving such problems.O processamento de peças automotivas por meio de injeção de polímeros envolve vários fenômenos físicos que ocorrem simultaneamente e que possuem caráter não linear e multivariável. Softwares comerciais podem ser utilizados na previsão dos parâmetros do processo, o que pode ser caro e inviável. Pode-se determinar os parâmetros de forma analítica, mas o tratamento desse problema requer a aplicação de teorias clássicas dos fenômenos de transporte, de difícil equacionamento. As redes NeuroFuzzy são aplicáveis a esse problema porque reúnem a capacidade de aprender das redes neurais artificiais com a capacidade da lógica Fuzzy de transformar variáveis linguísticas em regras. Neste trabalho combinou-se uma rede neural artificial Multilayer Perceptron e uma rede neural artificial Radial Basis Function à lógica Fuzzy para construir-se um modelo de inferência que previu o tempo de ciclo de processos de injeção de polímeros. Os resultados obtidos confirmam as redes NeuroFuzzy como opção para esse tipo de problema.UNESPUSP PoliUNINOVEUNESPAssociação Brasileira de Engenharia de ProduçãoUniversidade Estadual Paulista (Unesp)Universidade de São Paulo (USP)Universidade Nove de Julho (UNINOVE)Affonso, Carlos de Oliveira [UNESP]Sassi, Renato José2014-09-30T18:18:28Z2014-09-30T18:18:28Z2014info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/article0-0application/pdfhttp://dx.doi.org/10.1590/S0103-65132014005000005Production. Associação Brasileira de Engenharia de Produção, n. ahead, p. 0-0, 2014.0103-6513http://hdl.handle.net/11449/10956110.1590/S0103-65132014005000005S0103-65132014005000005S0103-65132014005000005.pdfSciELOreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPporProduction0,200info:eu-repo/semantics/openAccess2023-11-30T06:19:28Zoai:repositorio.unesp.br:11449/109561Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T19:10:51.816613Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros Application of neurofuzzy networks for the processing of automotive parts by polymer injection molding |
title |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros |
spellingShingle |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros Affonso, Carlos de Oliveira [UNESP] Indústria automotiva Polímeros Processo de injeção Redes NeuroFuzzy Automotive industry Polymers Injection mold Neurofuzzy network |
title_short |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros |
title_full |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros |
title_fullStr |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros |
title_full_unstemmed |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros |
title_sort |
Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros |
author |
Affonso, Carlos de Oliveira [UNESP] |
author_facet |
Affonso, Carlos de Oliveira [UNESP] Sassi, Renato José |
author_role |
author |
author2 |
Sassi, Renato José |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) Universidade de São Paulo (USP) Universidade Nove de Julho (UNINOVE) |
dc.contributor.author.fl_str_mv |
Affonso, Carlos de Oliveira [UNESP] Sassi, Renato José |
dc.subject.por.fl_str_mv |
Indústria automotiva Polímeros Processo de injeção Redes NeuroFuzzy Automotive industry Polymers Injection mold Neurofuzzy network |
topic |
Indústria automotiva Polímeros Processo de injeção Redes NeuroFuzzy Automotive industry Polymers Injection mold Neurofuzzy network |
description |
The injection molding of automotive parts is a complex process due to the many non-linear and multivariable phenomena that occur simultaneously. Commercial software applications exist for modeling the parameters of polymer injection but can be prohibitively expensive. It is possible to identify these parameters analytically, but applying classical theories of transport phenomena requires accurate information about the injection machine, product geometry, and process parameters. However, neurofuzzy networks, which achieve a synergy by combining the learning capabilities of an artificial neural network with a fuzzy set's inference mechanism, have shown success in this field. The purpose of this paper was to use a multilayer perceptron artificial neural network and a radial basis function artificial neural network combined with fuzzy sets to produce an inference mechanism that could predict injection mold cycle times. The results confirmed neurofuzzy networks as an effective alternative to solving such problems. |
publishDate |
2014 |
dc.date.none.fl_str_mv |
2014-09-30T18:18:28Z 2014-09-30T18:18:28Z 2014 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://dx.doi.org/10.1590/S0103-65132014005000005 Production. Associação Brasileira de Engenharia de Produção, n. ahead, p. 0-0, 2014. 0103-6513 http://hdl.handle.net/11449/109561 10.1590/S0103-65132014005000005 S0103-65132014005000005 S0103-65132014005000005.pdf |
url |
http://dx.doi.org/10.1590/S0103-65132014005000005 http://hdl.handle.net/11449/109561 |
identifier_str_mv |
Production. Associação Brasileira de Engenharia de Produção, n. ahead, p. 0-0, 2014. 0103-6513 10.1590/S0103-65132014005000005 S0103-65132014005000005 S0103-65132014005000005.pdf |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
Production 0,200 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
0-0 application/pdf |
dc.publisher.none.fl_str_mv |
Associação Brasileira de Engenharia de Produção |
publisher.none.fl_str_mv |
Associação Brasileira de Engenharia de Produção |
dc.source.none.fl_str_mv |
SciELO reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808129030029836288 |