Mostrar el registro sencillo del ítem
Classificação preditiva de fases para ligas multicomponentes CrCoFeMnNi utilizando machine learning
dc.contributor.author | Santos, Kayque | |
dc.date.accessioned | 2023-06-23T12:43:36Z | |
dc.date.available | 2023-06-23T12:43:36Z | |
dc.date.issued | 2023-02-16 | |
dc.identifier.citation | SANTOS, Kayque. Classificação preditiva de fases para ligas multicomponentes CrCoFeMnNi utilizando machine learning. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia de Materiais) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/18187. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/18187 | |
dc.description.abstract | When we refer to multicomponent alloys, or high entropy alloys as they are commonly called, it is inevitable to discuss the challenge of exploring new compositions that may be of scientific interest. This difficulty is related to a range of possible compositions, given the amount of different elements and their percentages that can be combined to originate new materials. Since its discovery, alternative methods have been studied to try to predict some characteristics of these alloys without the need to experimentally produce them, or to use empirical methods, this, in addition to saving time, can optimize resources and makes it economically more feasible to investigate a greater number of combinations, until a material is reached that justifies its manufacture for further analysis. Among the existing ways to carry out this exploration, we can highlight methods based on the functional theory of density, or even thermodynamic simulations, which can use different methods, such as CALPHAD, which uses the Gibbs energy functions. However, these are methods that still have relatively long development cycles. Based on this, this work is intended to use science guided by big data, more specifically machine learning, where from a database, originated through thermodynamic simulation, using CALPHAD as a method, three different algorithms to predictively classify phases in multicomponent alloys, formed by the elements nickel (Ni), manganese (Mn), iron (Fe), chromium (Cr) and cobalt (Co). This classification consists of predicting whether a given composition at a constant temperature of 1000ºC presents a face-centered cubic, body-centered cubic and sigma structure as a phase, or whether none of these are present and are grouped under “others”. With that, through a database with 1000 different compositions, it was possible to carry out supervised training of three different types of algorithms, where, after properly trained and optimized, they performed the classification of about 494 new combinations that did not exist in the initial base. As a result, an accuracy of 91.72% was reached for the decision tree algorithm, 94.95% for the k-nearest neighbors and 96.36% for the support vector machine. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Aprendizado de máquina | por |
dc.subject | Classificação | por |
dc.subject | Ligas multicomponentes | por |
dc.subject | Ligas de alta entropia | por |
dc.subject | Previsão de fases | por |
dc.subject | Simulação preditiva | por |
dc.subject | Árvore de decisão | por |
dc.subject | K-vizinhos mais próximos | por |
dc.subject | Máquina vetor de suporte | por |
dc.title | Classificação preditiva de fases para ligas multicomponentes CrCoFeMnNi utilizando machine learning | por |
dc.title.alternative | Predictive phase classification for multicomponent alloys CrCoFeMnNi using machine learning | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Coury, Francisco | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8609825406277730 | por |
dc.contributor.advisor-co1 | Oliveira, Pedro | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/6906616294534939 | por |
dc.description.resumo | Quando nos referimos a ligas multicomponentes, ou ligas de alta entropia, como são comumente chamadas, é inevitável não se deparar com o desafio de se explorar novas composições que possam ser do interesse científico ou de engenharia. Essa dificuldade está relacionada à gama composições possíveis, dado a quantidade de diferentes elementos e seus respectivos percentuais que podem ser combinados para originar novas ligas. Desde a descoberta das ligas multicomponente, métodos alternativos vêm sendo estudados para tentar prever algumas características dessas ligas, sem a necessidade de realizar as etapas de processamento e caracterização, ou a utilização de outros métodos empíricos. Tais métodos alternativos, além de economizar tempo, podem otimizar recursos e tornar economicamente mais viável a investigação de um maior número de composições, até se alcançar um material que justifique sua confecção para análises mais aprofundadas. Dentre os modos existentes para fazer essa exploração, podemos destacar métodos baseados na teoria funcional da densidade, ou ainda simulações termodinâmicas, que podem utilizar de diferentes metodologias, como o CALPHAD que utilizada das funções energéticas de Gibbs. Porém, esses são métodos que ainda possuem ciclos de desenvolvimentos relativamente longos. Partindo disso, esse trabalho destina-se a utilização da ciência orientada por big data, mais especificamente o aprendizado de máquina (do inglês Machine learning), onde a partir de uma base de dados, originada por meio da simulação termodinâmica, utilizando como método o CALPHAD, foram elaborados três diferentes algoritmos para realizar a classificação de fases de forma preditiva em ligas multicomponentes, formadas pelos elementos de níquel (Ni), manganês (Mn), ferro (Fe), cromo (Cr) e cobalto (Co). Essa classificação consiste em prever se uma dada composição a uma temperatura constante de 1000ºC, apresenta as fases com estrutura cúbica de face centrada, cúbica de corpo centrado ou a fase sigma, ou ainda, se não apresenta nenhuma dessas sendo agrupadas como “outros”. Com isso, através de uma base de dados com 1000 composições diferentes, foi possível realizar o treinamento supervisionado de três diferentes tipos de algoritmos, onde, após devidamente treinados e otimizados, realizaram a classificação de cerca de 494 novas combinações não existentes na base inicial. Como resultado uma acurácia de 91,72% foi atingida para o algoritmo de árvore de decisão, 94,95% para o k-vizinhos mais próximos e 96,36% para a máquina vetor de suporte. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA DE MATERIAIS E METALURGICA::METALURGIA FISICA | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.publisher.course | Engenharia de Materiais - EMa | por |