Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/3999
Tipo: | Tese |
Título: | Otimização multiobjetivo evolutiva do torneamento interno de tubos de Peek por meio de modelos de reforço extremo de gradiente |
Autor(es): | VIEIRA, Jéssica Tito |
Primeiro Orientador: | FERREIRA, João Roberto |
metadata.dc.contributor.advisor-co1: | PEREIRA, Robson Bruno Dutra |
Resumo: | O torneamento é um dos processos de usinagem mais utilizados na indústria. Sua grande aplicação faz com que cada vez mais estes processos sejam utilizados para a produção de peças de alta qualidade, buscando associar eficiência, precisão e produtividade. Os desafios de se obter um acabamento de alta precisão são ainda maiores se o torneamento interno for aplicado em materiais modernos como polieteretercetona (PEEK). Para alcançar as melhores condições de processo, os modelos preditivos devem ser estimados e a otimização deve ser realizada. Este trabalho apresenta uma abordagem de aprendizado estatístico para modelagem e otimização do processo de torneamento interno em tubos de PEEK. A rugosidade (Ra) e os desvios de circularidade (Ront) foram medidos para quantificar a qualidade do furo. Considerado um importante indicador de usinabilidade, a força de corte (Fc) também foi medida. A velocidade de corte (vc), taxa de avanço (f) e posição de fixação da peça na placa (fp) foram consideradas como parâmetros de entrada. Para modelagem, um procedimento de aprendizado foi proposto considerando regressão de superfície de resposta polinomial, métodos aditivos generalizados, métodos baseados em árvores, regressão de vetores de suporte e o reforço extremo de gradiente. A validação cruzada foi aplicada para aprendizado e seleção de modelos, incluindo abordagens k-dobras e bootstrap. Os resultados apontaram que o modelo de reforço extremo de gradiente foi o método que apresentou melhor capacidade de previsão. Para Ra os resultados finais das métricas de previsão foram RMSE = 0,1395, MAE = 0,1126, e R2 = 1,0000, para Fc, RMSE =1,8609, MAE =0,9311, e R2 =0,9280, e para Ront, RMSE =21,3084, MAE = 17,8053, e R2 = 0,6562. A otimização multiobjetivo evolutiva foi realizada considerando os modelos de reforço extremo de gradiente para rugosidade, circularidade, força de corte e o modelo determinístico da taxa de remoção de material (MRR). Considerando o hipervolume, o método NSGA-II foi selecionado para realizar as otimizações de três objetivos. A abordagem de pseudopeso foi aplicada para selecionar soluções de alto trade-off, facilitando a escolha em cenários práticos de produção. Para otimização Ra vs Ront vs MRR, o equilíbrio entre as três respostas foi alcançado com vc mais alto, f = 0,12 mm/v e fp = 15,14 mm. Para otimização Fc vs Ront vs MRR, o equilíbrio entre as três respostas foi alcançado com vc = 378,78 m/min, f = 0,10 mm/v e fp = 13,00 mm. A abordagem de aprendizado e as otimizações propostas possibilitaram a obtenção dos melhores resultados do processo de torneamento interno no PEEK. |
Abstract: | Turning is one of the most widely used manufacturing processes in the industry. Its extensive application means that turning processes are increasingly focused on producing of high-quality parts, aiming to associate efficiency, precision, and productivity. The challenges of achieving high-precision surface finishes are even greater when internal turning is applied to modern materials such as polyetheretherketone (PEEK). To achieve the best process conditions, predictive models must be estimated, and optimization must be conducted. This work presents a statistical learning approach for modeling and optimizing the internal turning process in PEEK tubes. Average roughness and roundness of the hole were measured to quantify the hole quality. The cutting force, considered an important indicator of machinability, was also measured. Cutting speed, feed rate, and fixture position were considered as input parameters. For modeling, a learning procedure was proposed, considering polynomial response surface regression, generalized additive methods, treebased methods, support vector regression and extreme gradient boosting. Cross-validation was used for learning and model selection, including k-fold and bootstrap approaches. The results indicated that the extreme gradient boosting model was the best for all predictors. For Ra the final prediction metrics results were RMSE = 0.1395, MAE = 0.1126, and R2 =1.0000, for Fc, RMSE =1.8609, MAE =0.9311, and R2 =0.9280, and for Ront, RMSE = 21.3084, MAE = 17.8053, and R2 = 0.6562. Multi-objective evolutionary optimization was performed, considering the extreme gradient boosting models for average roughness, roundness, and cutting force, in addition to the deterministic model of material removal rate. The NSGA-II method was selected considering the hypervolume for the three-objective optimizations. The pseudo-weight approach is used to select high trade-off solutions, facilitating selection in practical production scenarios. For optimization of Ra vs Ront vs MRR, the balance between the three responses was achieved with a higher vc, f = 0.12 mm/v, and fp = 15.14 mm. For optimization of Fc vs Ront vs MRR, the balance between the three responses was achieved with vc = 378.78 m/min, f = 0.10 mm/v, and fp = 13.00 mm. The proposed learning and optimization approach enabled the achievement of the best results for the internal turning process in PEEK and can be applied to other intelligent manufacturing applications. |
Palavras-chave: | Torneamento interno Polieteretercetona Aprendizado estatístico Aprendizado de máquina Reforço extremo de gradiente Otimização multiobjetivo evolutiva |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Itajubá |
Sigla da Instituição: | UNIFEI |
metadata.dc.publisher.department: | IEPG - Instituto de Engenharia de Produção e Gestão |
metadata.dc.publisher.program: | Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/3999 |
Data do documento: | 13-Dez-2023 |
Aparece nas coleções: | Teses |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Tese_2024009.pdf | 7,87 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.