Al-driven optimization modeling of cutting tool geometry for evaluating machining performance (2025)
- Authors:
- Autor USP: FREITAS, IGOR HENRIQUE DE - EP
- Unidade: EP
- Sigla do Departamento: PMR
- Subjects: USINAGEM; APRENDIZADO COMPUTACIONAL; HEURÍSTICA; MÉTODO DOS ELEMENTOS FINITOS
- Language: Inglês
- Abstract: A usinagem é um processo essencial na manufatura, influenciando diretamente os custos e a eficiência produtiva. Com os avanços da inteligência artificial (IA), surgem novas formas de otimizar processos, especialmente por meio do aprendizado de máquina (AM), que permite identificar relações complexas entre variáveis antes compreendidas apenas de forma empírica. Contudo, a alta complexidade e o comportamento não linear da usinagem ainda representam desafios para o desenvolvimento de modelos preditivos precisos. Esta dissertação desenvolveu uma metodologia integrada que combina simulações por elementos finitos (FEM), aprendizado de máquina (ML) e algoritmos de otimização para o projeto de ferramentas de corte em usinagem ortogonal. Foram realizadas simulações baseadas em Pantalé et al. (2012), utilizando Elementos Finitos (Abaqus®), abrangendo 8 materiais, com ângulos de saída de ferramenta entre –15° e 15° e velocidades de corte de 180 a 300 m/min. Ajustes de malha e mass scaling asseguraram a convergência, embora tenha sido observada uma diferença de 37% em relação aos dados experimentais, devido à simplificação térmica e à ausência do método ALE. A análise estatística mostrou forte correlação linear (coeficiente de Pearson elevado) entre a força de corte e as constantes A e B da equação de Johnson–Cook, ressaltando seu papel no limite de escoamento. Os modelos de ML testados — LASSO e LightGBM — atingiram coeficiente de determinação R² > 0,95, sendo que o modelo LASSO demonstrou melhor capacidade de generalização e erro inferior a 10% nas validações FEM. O LightGBM apresentou precisão comparável, mas maior sensibilidade a limites de dados e dependência de amostras extensas. Na fase de otimização, métodos baseados em gradiente, LASSO e algoritmos genéticos (GA) foram avaliados:o gradiente convergiu rapidamente, o LASSO foi estável, e o GA mostrou-se eficiente na busca por múltiplos mínimos locais, embora com alto custo computacional. O estudo demonstrou que a integração de FEM, ML e otimização permite reduzir significativamente o esforço experimental, fornecendo predições consistentes com erro ≤ 10% e estabelecendo uma base sólida para o projeto de ferramentas inteligentes de usinagem, aplicável também a outras áreas da engenharia, como controle ótimo e projeto de dispositivos.
- Imprenta:
- Data da defesa: 02.09.2025
-
ABNT
FREITAS, Igor Henrique de. Al-driven optimization modeling of cutting tool geometry for evaluating machining performance. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-05032026-135947/pt-br.php. Acesso em: 11 abr. 2026. -
APA
Freitas, I. H. de. (2025). Al-driven optimization modeling of cutting tool geometry for evaluating machining performance (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3151/tde-05032026-135947/pt-br.php -
NLM
Freitas IH de. Al-driven optimization modeling of cutting tool geometry for evaluating machining performance [Internet]. 2025 ;[citado 2026 abr. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-05032026-135947/pt-br.php -
Vancouver
Freitas IH de. Al-driven optimization modeling of cutting tool geometry for evaluating machining performance [Internet]. 2025 ;[citado 2026 abr. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-05032026-135947/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
