Show simple item record

dc.contributor.authorOliveira Filho, Marcos Fernando de
dc.date.accessioned2023-05-02T19:12:33Z
dc.date.available2023-05-02T19:12:33Z
dc.date.issued2023-02-24
dc.identifier.citationOLIVEIRA FILHO, Marcos Fernando de. Aplicação de redes neurais para classificação de microinclusões de sulfeto de manganês em aços. 2023. Dissertação (Mestrado em Ciência e Engenharia de Materiais) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/17916.*
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/17916
dc.description.abstractThe factors that measure the influence of inclusions on steel properties are the distribution, morphology and size of inclusions. The standard used as a reference is ASTM E45, which explains the sample scanning method in order to analyze and classify inclusions in steels. Manual methods are the most used in laboratories and metallurgical companies because of their low cost, while automatic methods are characterized by high operating costs, which makes their use in industries difficult. Neural network models, on the other hand, are part of new technologies and are extremely advantageous for several applications. This Master's work was motivated by the use of a new methodology for classifying inclusions in steels using neural network models. The aim was to achieve the highest possible accuracy in classifying the severities of MnS inclusions using images captured from specimens processed in a laboratory of a metallurgical industry. The classification process by neural networks was validated through comparison with results obtained manually, showing higher accuracy and speed in decision making. The results also showed that the classification of severities with a smaller number of images in the database presented a lower accuracy. To understand the effectiveness of the neural network, the concept of confusion matrix was applied, which are comparative tables of the number of images that the neural network brought as a prediction of severities in relation to the actual manually classified values. The first test results were not positive, requiring a reclassification of all images in the database to reduce confusion in the neural network. After reclassification and application of the Dropout technique, the test results were superior to the previous ones. In conclusion, the training and validation accuracy results improved, making it possible to compare manual and automatic classification. In general, the neural network represented speed in decision making, proving to be a potential tool for the classification of inclusions.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)por
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectAnálise de imagempor
dc.subjectBanco de dadospor
dc.subjectRedes neuraispor
dc.subjectInclusõespor
dc.subjectAçospor
dc.subjectMnSpor
dc.titleAplicação de redes neurais para classificação de microinclusões de sulfeto de manganês em açospor
dc.title.alternativeApplication of neural networks for classification of microinclusions of manganese sulfide in steeleng
dc.typeDissertaçãopor
dc.contributor.advisor1Spinelli, José Eduardo
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8882038118634925por
dc.contributor.advisor-co1Caradec, Pierre D Amelio Briquet
dc.contributor.advisor-co1Ishikawa, Tomaz Toshimi
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/5726055117451807por
dc.description.resumoOs fatores que mensuram a influência das inclusões nas propriedades dos aços são a distribuição, morfologia e tamanho das inclusões. A norma utilizada como referência é a ASTM E45, a qual explica o método de varredura da amostra no intuito de analisar e classificar as inclusões em aços. Os métodos manuais são os mais utilizados nos laboratórios e empresas metalúrgicas por apresentarem baixo custo. No entanto os automáticos se caracterizam pelo alto custo de operação, o que dificulta seu emprego nas indústrias. Os modelos de redes neurais fazem parte das novas tecnologias sendo extremamente vantajosos para diversas aplicações. O presente trabalho de Mestrado teve como motivação o emprego de uma nova metodologia de classificação de inclusões em aços utilizando modelos de redes neurais. O intuito foi alcançar a maior acurácia possível na classificação de severidades de inclusões de MnS utilizando imagens capturadas a partir de corpos de prova de diferentes aços processados em um laboratório de uma indústria do setor metalúrgico. O processo de classificação por redes neurais foi validado por meio de comparação com resultados obtidos manualmente, apresentando alta acurácia e rapidez na tomada de decisão. Para entender a efetividade da rede neural foi aplicado o conceito de matriz de confusão, que são tabelas comparativas do número de imagens que a rede neural trouxe como predição de severidades em relação aos valores reais classificados manualmente. Os primeiros resultados dos testes não foram positivos, sendo necessária uma reclassificação de todas as imagens do banco de dados para reduzir a confusão da rede neural. Após reclassificação e aplicação da técnica “Dropout”, os resultados dos testes foram superiores aos anteriores. Em conclusão, os resultados de acurácia do treinamento e validação melhoraram, sendo possível realizar a comparação entre a classificação manual e a automática. De forma geral a rede neural representou rapidez na tomada de decisão se mostrando ser uma ferramenta em potencial para a classificação de inclusões em aços.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma de Pós-Graduação em Ciência e Engenharia de Materiais - PPGCEMpor
dc.subject.cnpqENGENHARIAS::ENGENHARIA DE MATERIAIS E METALURGICA::INSTALACOES E EQUIPAMENTOS METALURGICOSpor
dc.subject.cnpqENGENHARIAS::ENGENHARIA DE MATERIAIS E METALURGICA::METALURGIA DE TRANSFORMACAOpor
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttps://lattes.cnpq.br/5957671374056111por


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Brazil
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Brazil