UM ESTUDO DO USO DE REDES NEURAIS ARTIFICIAIS (RNA) PARA PREVISÃO DE PARÂMETROS DO PROCESSO DE FABRICAÇÃO DE TÂNTALO 99,9% DE PUREZA

Dionatan Diego Geraldo Resende, Wanderson de Oliveira Leite, Juan Carlos Campos Rubio, Hélio Luiz Simonetti

Resumo


Com o aumento da expectativa de vida da população, a demanda por substituição de partes do corpo por próteses é algo esperado. Assim o estudo de processos de manufatura de componentes destas próteses vem se fazendo necessário nos últimos anos pois, o processo de manufatura dos materiais biocompatíveis possuem características de usinabilidade distintas dos tradicionais, tornando-se fundamental conhecer as particularidades dos parâmetros de fabricação destes materiais. Porém, para diversos materiais biocompatíveis, as tentativas de aperfeiçoamento dos processos de mecanização, via busca de parâmetros ótimos de fabricação não é alcançada, visto que segundo alguns autores, as abordagens usuais de otimização não conseguem transpor a não linearidade das relações entre os parâmetros de fabricação e de qualidade. Neste contexto, nos últimos anos, a utilização de técnicas de Inteligência Computacional, via Redes Neurais Artificiais (RNA), para a otimização de parâmetros de usinabilidade vêm se tornado satisfatória pois, elas são capazes de superar esses problemas de não linearidades das variáveis do processo e da busca de soluções ótimas em modelagens de processos “n” dimensionais por meio do aprendizado adquirido / supervisionado de suas redes de neurônios. Então, o presente estudo teve como objetivo geral implementar o uso de uma metodologia de modelagem por algoritmos de RNA do processo de microfresamento de Tântalo 99,9% de pureza aplicados à área médica (protética), visando a futura otimização de múltiplos parâmetros das operações de usinagem deste material. Para tal, em específico foram utilizados valores de parâmetros de operações e três ferramentas de micro usinagem, e também, o variável de Força de avanço na direção do Eixo X para a modelagem dos algoritmos com RNA e se concluiu que foi possível implementar o uso da metodologia, e ainda,  modelos promissores de RNA foram desenvolvidos com  assertividade igual o superior a 52%.


Texto completo:

PDF

Referências


SILVA, Jorge Vicente Lopes et al. As Tecnologias CAD-PR (Prototipagem Rapida) na Reconstrução de Traumas de Face. In: III Congresso Iberoamericano IBERDISCAP - Tecnologia de Apoyo a la Discapacida, 1., 2004, San José. Anais [...] San José, Costa Rica: Universidad Estatal a Distância, 2004.

MARKOPOULOS, Angelos P. et al. Precision CNC Machining of Femoral Component of Knee Implant: A Case Study. Machines. v.1, n. 10, mar, 2018. Disponível em: https://doi.org/10.3390/machines6010010.

MATA, Francisco et al. MICROMECANIZADO DE UN MATERIAL BIOCOMPATIBLE PARA LA PRODUCCIÓN DE PRÓTESIS: TÁNTALO DE 99.9 % DE PUREZA. DYNA INGENIERIA E INDUSTRIA, v. 1, n. 95, p. 81-86, jan. 2020.

ONDŘEJ, Javořík; JAKUB, Bílek; IMRICH, Lukovics. Manufacturing technology of prosthetic parts: 3-axis CNC milling of master model. International Journal of Mechanics, v. 9, p. 105-111, 2015.

TURGER, Anke et al. Manufacturing conditioned roughness and wear of biomedical oxide ceramics for all-ceramic knee implants. BioMed Eng OnLine, v. 12, n. 84, 2013. Disponível em: https://doi.org/10.1186/1475-925X-12-84.

HELITO, Camilo Partezani et al . Artroplastia de joelho com implante constrito e rotatório: uma opção para casos complexos primários e de revisão. Rev. bras. ortop., São Paulo, v. 53, n. 2, p. 151-157, Apr. 2018Disponível em: . Acessado em 20 Out. 2020.https://doi.org/10.1016/j.rboe.2017.01.010.

AL-ZUBAIDI, Salah; GHANI, Jaharah; HARON, Che Hassan. Application of ANN in Milling Process: A Review. Modelling and Simulation in Engineering, v. 1, n. 4, p. 1-4, 2011. Disponível em: https://doi.org/10.1155/2011/696275.

MEZIANE, Farid et al. Intelligent systems in manufacturing: current developments and future prospects. Integrated Manufacturing Systems, v. 11, n. 4, p. 218-238, 2000.

PHAM, Duc Truong; PHAM, P.T.N. Computational intelligence for manufacturing. In: WANG, Jun; KUSIAK, Andrew (Editores). Computational intelligence in manufacturing handbook. 1. ed. Boca Raton, Florida: CRC Press,2001, part I. ISBN 0-8493-0592-6.

LEITE, Wanderson de Oliveira et al. UTILIZATION OF ARTIFICIAL NEURAL NETWORKS TO PREDICT THE INFLUENCE OF MILLING TYPE ON THE QUALITY PRODUCT. DYNA INGENIERIA E INDUSTRIA, v. 89, n. 4, p.457-466, Jul. 2014. DOI: http://dx.doi.org/10.6036/6981.

PANDA, Siva.S.; Chakraborty, Debabrata.; Pal, Surjya.K. Monitoring of drill flank wear using fuzzy back-propagation neural network. International Journal of Advanced Manufacturing Technology, v. 34, p. 227- 235, 2007.

KANT, Girish; SANGWAN, Kuldip Singh. Predictive Modelling and Optimization of Machining Parameters to Minimize Surface Roughness using Artificial Neural Network Coupled with Genetic Algorithm. Procedia CIRP, v. 31, p. 453-458, 2015. 10.1016/j.procir.2015.03.043.

EFE, M.Ö. Background of neurocontrol. In: WILAMOWSKI, B.M.;

IRWIN, J.D. Industrial electronics handbook: intelligent systems. 2.

edition, part III, chapter 1, CRC Press. 2011.

FILIPPIS, Luigi Alberto Ciro De et al. ANN Modelling to Optimize Manufacturing Process. Advanced Applications for Artificial Neural Networks, v. 1, p. 201-226, 2018. http://dx.doi.org/10.5772/intechopen.71237.

HUANG, Samuel.H.; ZHANG, Hong-Chao. Artificial neural networks in manufacturing: concepts, applications, and perspectives. IEEE Components, Packaging, and Manufacturing Technology, v. 17, n. 2, p. 212-228, part I, Jun. 1994.

GEE, Edward C.A et. al. Current Evidence and Future Directions for Research into the use of Tantalum in Soft Tissue Re-attachment Surgery. Journal of materials chemistry B, v. 4, n. 6, p. 1020-1034, 2016.

SKOWRONEK, et al. RETRACTED ARTICLE: An evaluation of the potential consequences of drilling titanium and tantalum implants during surgery - a pilot study. BMC Musculoskelet Disord (Open Aceess Journal),v.18, n.1:426, nov. 2017. Disponível em: https://doi.org/10.1186/s12891-017-1784-x

TRINDADE, Ricardo et al. Bone Immune Response to Materials, Part I: Titanium, PEEK and Copper in Comparison to Sham at 10 Days in Rabbit Tibia. J. Clin. Med.Open Aceess Journal, v. 7, n.12-526, dez. 2018. Disponível em: https://doi.org/10.3390/jcm7120526.

MARTINIANO, A.; R.P.Ferreira; A.Ferreira; A.Ferreira; R.J.Sassi. UTILIZANDO UMA REDE NEURAL ARTIFICIAL PARA APROXIMAÇÃO DA FUNÇÃO DE EVOLUÇÃO DO SISTEMA DE LORENTZ. Revista Produção e Desenvolvimento, v.2, n.1, p.26-38, jan./abr., 2016. Disponível em: . Acesso em: 10 de maio. de 2021

BARROS, V. P. A. AVALIAÇÃO DO DESEMPENHO DE ALGORITMOS DE RETROPROPAGAÇÃO COM REDES NEURAIS ARTIFICIAIS PARA A RESOLUÇÃO DE PROBLEMAS NÃO-LINEARES. Dissertação (Dissertação em Ciência da Computação) - UTFPR. Ponta Grossa, 2018.

BRAGA, A.P.; CARVALHO, A.C.P.L.F.; LUDERMIR, T.B. Redes neurais artificiais. In:

RESENDE, S.O. Sistemas Inteligentes: fundamentos e aplicações, 1. ed., cap. 6, Baueri-SP, Manole, 2003. ISBN: 8520416837.

KAUR, A. Impact of training function based neural network on reusable software modules. International Journal of Computer Science and Information Technologies, v. 3, n. 3, 4024-4027, 2012.

BEALE M.H., HAGAN T., Martin, DEMUTH H.B. Neural Network Toolbox TM User’s Guide, Version 7.0. The MathWorks, Inc., Natick, MA, revised for version 7.0, Sep. 2010. edition. http://www.mathworks.com. 2010.

ESTEBAN, L.G. et al. Artificial neural networks in variable process control: application in particleboard manufacture. Journal Investigación Agraria: Sistemas y Recursos Forestales, v. 18, n. 1, pp. 92-100, 2009.

PRIORE, P. et al. Utilización de las redes neuronales en la toma de decisiones. Aplicación a un problema de secuenciación. Anales de Mecánica y Electricidad, v. 79, n. 6, pp 28-34, 2002.

FLECK, L; TAVARES, M, H. F; EYNG, E; HELMANN, A. C; ANDRADE, M. A. M. REDES NEURAIS ARTIFICIAIS: PRINCÍPIOS BÁSICOS. Revista Eletrônica Científica Inovação e Tecnologia, [S. l.], v. 1, n. 12, p. 47-57. 2016.

LEITE, Wanderson de Oliveira, CAMPOS RUBIO, Juan Carlos, DUDUCH, Jaime Gilberto, ALMEIDA, Paulo Eduardo Maciel. Correcting geometric deviations of CNC Machine-Tools: An approach with Artificial Neural Networks, Applied Soft Computing, vol. 36 (2015), pp. 114-124. ISSN 1568-4946. https://doi.org/10.1016/j.asoc.2015.07.014.

LAZZARIN, Lilian N. A. REDES NEURAIS FEEDFORWARD APLICADAS NA AVALIAÇÃO DO IMPACTO DA POLUIÇÃO ATMOSFÉRICA E VARIÁVEIS CLIMÁTICAS NA SAÚDE HUMANA. Proceedings of the 1〖^st〗Iberic Conference on Theoretical and Experimental Mechanics and Materials, 11〖^th〗 National Congress on Experimental Mechanics. Porto/Portugal, 275-284, November 2018.

MIGUEZ, Geraldo; FILHO, N. Maculan; XAVIER E. Adilson. OTIMIZAÇÃO DO ALGORÍTMO DE BACKPROPAGATION PELO USO DA FUNÇÃO DE ATIVAÇÃO BI-HIPERBÓLICA. COPPE / PESC, Universidade Federal do Rio de Janeiro, Brasil.

NAKASHIMA, V. M. Amauri. DESENVOLVIMENTO DE REDES NEURAIS UTILIZANDO TÉCNICA ULTRASSÔNICA E NÚMEROS ADIMENSIONAIS PARA A DETERMINAÇÃO DA FRAÇÃO DE VAZIO E PADRÕES DE ESCOAMENTOS MULTIFÁSICOS REPRESENTATIVOS DA INDÚSTRIA DO PETRÓLEO. Tese (Mestrado em Engenharia Química) – Faculdade de Engenharia Química, Universidade Estadual de Campinas. Campinas, p. 59. 2015.

SOARES, G. Daniel, Raimundo C. G. Teive. Previsão de Cheias do Rio Itajaí-Açu Utilizando Redes Neurais Artificiais. Computer on the Beach, Rio do Sul, SC. p. 308-317, 2015.

LEITE, W. O. Modelagem e Otimização de Desvios em Peças Termoformadas a Vácuo Utilizando Modelos de Regressão Múltipla e Redes Neurais Artificiais. Tese de Doutorado. Programa de Pós Graduação em Engenharia de Produção, Universidade Federal de Minas Gerais, Belo Horizonte, 2015.


Apontamentos

  • Não há apontamentos.


Av. Antônio Carlos, 6627, Campus Pampulha, Belo Horizonte, Minas Gerais, CEP: 31270-901 - Brasil

Telefone: +55 (31) 3409-1075 | E-mail: actamechanicaetmobilitatem@gmail.com | Site: www.amm.demec.ufmg.br 

ISSN: 2525-9350 (on-line)