dc.creator |
VIEIRA, Jéssica Tito |
|
dc.date.issued |
2023-12-13 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3999 |
|
dc.description.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. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Torneamento interno |
pt_BR |
dc.subject |
Polieteretercetona |
pt_BR |
dc.subject |
Aprendizado estatístico |
pt_BR |
dc.subject |
Aprendizado de máquina |
pt_BR |
dc.subject |
Reforço extremo de gradiente |
pt_BR |
dc.subject |
Otimização multiobjetivo evolutiva |
pt_BR |
dc.title |
Otimização multiobjetivo evolutiva do torneamento interno de tubos de Peek por meio de modelos de reforço extremo de gradiente |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.date.available |
2024-02-29 |
|
dc.date.available |
2024-03-01T11:18:32Z |
|
dc.date.accessioned |
2024-03-01T11:18:32Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/2780688968433974 |
pt_BR |
dc.contributor.advisor1 |
FERREIRA, João Roberto |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/2091584947811081 |
pt_BR |
dc.contributor.advisor-co1 |
PEREIRA, Robson Bruno Dutra |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/6576147125211659 |
pt_BR |
dc.description.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. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IEPG - Instituto de Engenharia de Produção e Gestão |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
pt_BR |
dc.relation.references |
VIEIRA, Jéssica Tito. Otimização multiobjetivo evolutiva do torneamento interno de tubos de Peek por meio de modelos de reforço extremo de gradiente. 2023. 139 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2023. |
pt_BR |