Metamodelagem para análise térmica no torneamento com ferramenta de aço rápido usando redes LSTM
| dc.contributor.advisor-co1 | Dutra, Júlio Cesar Sampaio | |
| dc.contributor.advisor1 | Silva, Wellington Betencurte da | |
| dc.contributor.author | Santos, Hugo dos Anjos | |
| dc.contributor.referee1 | Macedo, Marcelo Camargo Severo de | |
| dc.contributor.referee2 | Abreu, Luiz Alberto da Silva | |
| dc.date.accessioned | 2025-02-12T18:33:12Z | |
| dc.date.available | 2025-02-12T18:33:12Z | |
| dc.date.issued | 2024-12-13 | |
| dc.description.abstract | The prediction of temperature distribution during the turning process is essential for optimizing machining operations and extending tool life. This study investigates the application of LSTM neural networks to model the temperature field in turning operations using high-speed steel tools. The research compares numerical simulations conducted with ANSYS® software against simulated data generated by the software, enabling a comprehensive analysis of heat transfer mechanisms. The results reveal that the LSTM neural network is highly effective, achieving low root mean square error (RMSE) values and processing data more efficiently compared to traditional numerical methods. This dissertation proposes a metamodel that maintains prediction accuracy while significantly reducing computational costs compared to conventional simulations. This approach has the potential to enhance thermal monitoring in industrial processes, optimizing production and improving machining quality. Additionally, the study contributes to Sustainable Development Goal (SDG) No. 9 – Industry, Innovation, and Infrastructure – by promoting innovative technologies that strengthen industrial competitiveness and sustainability. | |
| dc.description.resumo | A previsão da distribuição de temperatura durante o processo de torneamento é fundamental para otimizar as operações de usinagem e prolongar a vida útil da ferramenta. Este estudo investiga a aplicação de redes neurais LSTM para modelar o campo de temperatura em operações de torneamento utilizando ferramentas de aço rápido. A pesquisa compara as simulações numéricas realizadas com o software ANSYS® em comparação a dados simulados através do software, permitindo uma análise abrangente dos mecanismos de transferência de calor. Os resultados revelam que a rede neural LSTM é altamente eficaz, alcançando valores baixos de erro quadrático médio (RMSE) e processando dados de forma mais eficiente em comparação com métodos numéricos tradicionais. Esta dissertação propõe um metamodelo que preserva a precisão da previsão enquanto reduz significativamente os custos computacionais em relação às simulações convencionais. Esta abordagem tem o potencial de melhorar o monitoramento térmico em processos industriais, otimizando a produção e melhorando a qualidade da usinagem. Adicionalmente, o trabalho contribui para o objetivo de Desenvolvimento Sustentável (ODS) n.º 9 - Indústria, Inovação e Infraestrutura - ao promover tecnologias inovadoras que reforçam a competitividade e a sustentabilidade industrial. | |
| dc.format | Text | |
| dc.identifier.uri | http://repositorio.ufes.br/handle/10/18334 | |
| dc.language | por | |
| dc.publisher | Universidade Federal do Espírito Santo | |
| dc.publisher.country | BR | |
| dc.publisher.course | Mestrado em Engenharia Mecânica | |
| dc.publisher.department | Centro Tecnológico | |
| dc.publisher.initials | UFES | |
| dc.publisher.program | Programa de Pós-Graduação em Engenharia Mecânica | |
| dc.rights | open access | |
| dc.subject | Metamodelagem | |
| dc.subject | Processo de torneamento | |
| dc.subject | Previsão de temperatura | |
| dc.subject.cnpq | Engenharia Mecânica | |
| dc.title | Metamodelagem para análise térmica no torneamento com ferramenta de aço rápido usando redes LSTM | |
| dc.type | masterThesis |