Eventos Anais de eventos
COBEF 2023
12th Brazilian Congress on Manufacturing Engineering
OTIMIZAÇÃO MULTI-OBJETIVO EVOLUTIVA DO PROCESSO DE TORNEAMENTO INTERNO DE TUBOS DE PEEK
Submission Author:
Jessica Vieira , MG
Co-Authors:
Jessica Vieira, Robson Pereira, Lincoln Brandão, Carlos Henrique Lauro, João Roberto Ferreira
Presenter: Jessica Vieira
doi://10.26678/ABCM.COBEF2023.COF23-0069
Abstract
O torneamento interno é uma operação de usinagem que visa aumentar o diâmetro interno de um furo pré-existente e a qualidade desse processo é dependente do sistema composto por máquina, comjunto de fixação, ferramenta e material da peça. Aumentam-se ainda os desafios à obtenção da qualidade desejada com elevada exatidão se o processo de torneamento interno for empregado em materiais inovadores, como os termoplasticos de alto desempenho. O poli éter-éter-ketona (PEEK) é considerado um dos termoplásticos mais importantes e os produtos fabricados com tubos desse material podem suportar temperaturas de serviço na faixa de -50 ° C a 260 ° C, mantendo a alta resistência mecânica. O objetivo do presente trabalho foi estudar a otimização multi-objetivo evolutiva do processo de torneamento interno em tubos de PEEK e comparar o método de modelagem tradicional (metodologia de superficie de resposta) com o método não paramétrico (bagging). Ensaios foram realizados seguindo um planejamento composto central com adição de pontos aleatórios na região experimental, viabilizando a obtenção de modelos de regressão com métodos estatísticos/computacionais mais flexíveis. Os parâmetros de entrada considerados foram a velocidade de corte (vc), avanço (f) e posição de fixação do tubo na placa (fp). A resposta analisada foi a rugosidade máxima (Rz) que é uma medida de amplitude do perfil amostrado filtrado. Por meio dos valores de RMSE (Root Mean Squared Error), do coeficiente de determinação R2 e do MAE (Mean Absolute Error), observou-se que o método baseado em árvores de regressão (bagging) mostrou-se superior à metodologia de superficie de resposta para a modelagem dos dados. Por fim, foi utilizado o método de otimização multi-objetivo evolutivo NSGA-II para determinar um conjunto de soluções pareto ótimas para as respostas de acabamento e de produtividade. As soluções encontradas possibilitam ao experimentador explorar diferentes cenários de qualidade e produtividade, de forma que o experimentador deve selecionar os níveis dos parâmetros ótimos x* = [vc*, f*, fp*] para uma determinada situação de planejamento.
Keywords
Torneamento interno, peek, bagging, otimização multi-objetivo evolutiva, aprendizagem estatística
