Tese

Modelagem de empacotamento de partículas multifatorial utilizando redes neurais (2023)

• Authors:
  • Martos, Luís Gustavo Camargo
  • Ferreira, Eduardo Bellini (Orientador)
• Autor USP: MARTOS, LUÍS GUSTAVO CAMARGO - EESC
• Unidade: EESC
• Sigla do Departamento: SMM
• DOI: 10.11606/D.18.2023.tde-20122023-155303
• Subjects: REDES NEURAIS; CERÂMICA; GRANULOMETRIA; APRENDIZADO COMPUTACIONAL; VIDRO CERÂMICO
• Keywords: Empacotamento; Fator de forma
• Agências de fomento:
  • Financiamento CAPES
  • Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)
• Language: Português
• Abstract: O estudo do empacotamento encontra inúmeras aplicações e é influenciado por diversas variáveis. No caso de partículas, os modelos e as ferramentas atuais se baseiam na caracterização intensiva de variáveis relacionadas à morfologia das partículas e ao processo de empacotamento, através dos quais as correlações entre elas vêm sendo mais bem compreendidas. Mesmo assim, a ciência do empacotamento de partículas é pouco explorada na manufatura de alguns materiais cerâmicos, por exemplo, na fabricação de vitrocerâmicas ou compósitos cerâmicos por sinterização, embora seu controle seja essencial para o controle do processo e de suas propriedades finais. Além disso, os modelos de empacotamento mais aprimorados na literatura foram desenvolvidos para concretos, principalmente para construção civil, deixando lacunas para sua aplicação em outros sistemas cerâmicos. Neste trabalho, modelos de empacotamento baseados em métodos de aprendizado de máquina (machine learning) foram construídos com base em variáveis consolidadas na literatura, como fatores de forma, distribuição granulométrica, dimensão fractal e o efeito no empacotamento sob compressão & vibração uniaxial. O comportamento do empacotamento de partículas de vidro e areia, com diferentes granulometrias e morfologias, foi estudado experimentalmente e comparado com os resultados dos modelos. Foram utilizados pós de vidro soda-cal-sílica comercial temperado termicamente, obtidos por moagem e separação em diferentes faixasgranulométricas, e areia de um quartzito ornamental. As matérias-primas foram separadas em 8 granulometrias diferentes, sendo duas de areia e seis de vidro. Fatores de forma das partículas foram determinados por análise de imagens de aproximadamente 1000 partículas obtidas por microscopia óptica. A granulometria das amostras foi determinada por difração à laser, replicada sete vezes. O fator de processo de empacotamento foi determinado em um sistema de compressão uniaxial com vibração durante 4 min, replicada 25 vezes. Os 41406 valores experimentais foram aplicados no treinamento de métodos de machine learning, a saber, random forest, redes neurais, e support vector machine. Os resultados mostraram grande precisão dena previsão do empacotamento nos sistemas estudados, sendo o método das redes neurais o que mais acurado. O método support vector machine apresentou uma precisão maior devido ao seu caráter linear de modelamento
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2023
• Data da defesa: 07.11.2023

Informações sobre o DOI: 10.11606/D.18.2023.tde-20122023-155303 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo NÃO é de acesso aberto
  

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  MARTOS, Luís Gustavo Camargo. Modelagem de empacotamento de partículas multifatorial utilizando redes neurais. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18158/tde-20122023-155303/. Acesso em: 04 mar. 2026.

• APA

  Martos, L. G. C. (2023). Modelagem de empacotamento de partículas multifatorial utilizando redes neurais (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18158/tde-20122023-155303/

• NLM

  Martos LGC. Modelagem de empacotamento de partículas multifatorial utilizando redes neurais [Internet]. 2023 ;[citado 2026 mar. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18158/tde-20122023-155303/

• Vancouver

  Martos LGC. Modelagem de empacotamento de partículas multifatorial utilizando redes neurais [Internet]. 2023 ;[citado 2026 mar. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18158/tde-20122023-155303/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Characterisation results for oxide ceramic functionally graded with cemented carbide sintered by PECS