Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/BUBD-A3QQB9
Type: | Tese de Doutorado |
Title: | Modelagem e otimização de desvios em peças termoformadas a vácuo utilizando modelos de regressão múltipla e redes neurais artificiais |
Authors: | Wanderson de Oliveira Leite |
First Advisor: | Juan Carlos Campos Rubio |
First Co-advisor: | Francisco Mata Cabrera |
First Referee: | Alexandre Mendes Abrao |
Second Referee: | Paulo Eustaquio de Faria |
Third Referee: | Tulio Hallak Panzera |
metadata.dc.contributor.referee4: | Rosemary Bom Conselho Sales |
Abstract: | No processo de termoformagem a vácuo, a qualidade final da peça depende de diversas variantes do sistema, que tornam a sua modelagem matemática computacional um processo complexo multivariável e de objetivos conflitantes. Por conseguinte, as expectativas quanto aos desvios do produto são, por vezes, subjetivas e dependentes do conhecimento prévio do executor. Neste sentido, este trabalho desenvolveu modelos utilizando Redes Neurais Artificiais (RNA) visando à correta previsão e minimização dos valores dos desvios da peças termoformadas a vácuo em limites admissíveis de tolerância. Para tal, foram produzidas amostras em testes exploratórios, experimentais e de validação de uma peça típica em Poliestireno (PS), por meio do planejamento fatorial fracionado (2k-p). Este estudo inicial permitiu identificar que todos os fatores principais são significativos em pelo menos um dos desvios dimensionais ou geométricos da peça. Posteriormente, foram programadas e testadas RNA com diversas estruturas e configurações e comparativamente Modelos de Otimização de Múltiplas Respostas (MOMR). Os resultados mostraram que os modelos de RNA e MOMR foram capazes de convergir para configurações de parâmetros de fabricação que otimizam os desvios da peça, entretanto, só os modelos com RNA conseguiram obter erros de estimativa dentro dos limites dos valores encontrados nos testes de validação. Assim, demonstrou-se que os modelos com RNA são propostas promissoras para o desenvolvimento de modelos e algoritmos que estimem e minimizem desvios de peças termoformadas a vácuo. |
Subject: | Redes neurais (Computação) Engenharia de produção |
language: | Português |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/BUBD-A3QQB9 |
Issue Date: | 29-Mar-2015 |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
tese_leite.w.o_2011712534.pdf | 5.42 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.