Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39367| Título: | Método estruturado para integração do ChatGPT como consultor técnico em design for manufacturing aplicado à fundição de alumínio |
| Título(s) alternativo(s): | Structured method for integrating ChatGPT as a technical consultant in design for manufacturing applied to aluminum casting |
| Autor(es): | Matos, Luís Gustavo Ferreira |
| Orientador(es): | Borsato, Milton |
| Palavras-chave: | Novos produtos Projeto de produto Fundições de alumínio Inteligência artificial ChatGPT (Programa de computador) Processos de fabricação New products Product design Aluminum castings Artificial intelligence ChatGPT Manufacturing processes |
| Data do documento: | 19-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | MATOS, Luis Gustavo Ferreira. Método estruturado para integração do ChatGPT como consultor técnico em design for manufacturing aplicado à fundição de alumínio. 2026. Dissertação (Mestrado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025. |
| Resumo: | A presente dissertação tem como objetivo demonstrar a viabilidade e a relevância da integração de ferramentas de Inteligência Artificial (IA) Generativa no Processo de Desenvolvimento de Produto (PDP) aplicado ao design de componentes mecânicos, com ênfase no Design for Manufacturing (DFM) aplicado ao processo de fundição de alumínio sob pressão. A revisão bibliográfica permitiu identificar lacunas significativas quanto ao uso estruturado da IA em ambientes industriais, mesmo diante de seus reconhecidos avanços em automação e otimização de tempo. Em um contexto no qual tarefas repetitivas e consultas frequentes a especialistas consomem recursos consideráveis, foi proposto um método para posicionar a IA como um consultor técnico auxiliar no desenvolvimento de componentes fabricados por fundição de alumínio, fornecendo recomendações rápidas, pertinentes e personalizadas durante as etapas de projeto. O método desenvolvido seguiu a abordagem Design Science Research (DSR) e foi empregado em um caso de aplicação envolvendo um modelo simplificado de coxim estrutural de fixação da transmissão ao chassi, projetado pelo processo de fundição sob alta pressão (HPDC). Participaram cinco engenheiros da indústria automotiva, em um procedimento que comparou o desenvolvimento do componente sem e com o método proposto, avaliando critérios de precisão, tempo de execução e percepção dos usuários por meio de questionários. Os resultados apontaram uma taxa média de acerto/utilidade das recomendações de 88%, com redução estimada de 50% no tempo de consultas a especialistas, além da prevenção de erros iniciais e do aumento da produtividade. As principais limitações identificadas referem-se à confiabilidade e utilidade das respostas da IA, à dependência da experiência dos engenheiros para interpretação adequada, à ausência de testes em ambiente industrial real e às restrições das interfaces de comunicação com a IA. De forma geral, a pesquisa confirma que a IA generativa pode atuar como uma ferramenta estratégica de apoio ao PDP, oferecendo ganhos significativos de tempo e produtividade. Contudo, sua eficácia depende diretamente da análise crítica e da experiência do engenheiro, o que reforça o papel da IA como suporte complementar e não como substituto. |
| Abstract: | This dissertation aimed to demonstrate the feasibility and relevance of integrating Generative Artificial Intelligence (AI) tools into the Product Development Process (PDP) applied to the design of mechanical components, with an emphasis on Design for Manufacturing (DFM) applied on pressure die casting process. The literature review revealed significant gaps regarding the structured use of AI in industrial environments, despite its recognized advancements in automation and time optimization. In a context where repetitive tasks and frequent consultations with experts consume considerable resources, a method was proposed to position AI as a technical consultant assisting in the development of components manufactured by aluminum casting, providing fast, relevant, and customized recommendations during the design stages. The method was developed following the Design Science Research (DSR) approach and was applied in a case study involving a simplified model of a structural mounting bracket used to fix the transmission to the chassis, designed using the high-pressure die casting (HPDC) process. Five automotive industry engineers participated in a procedure that compared the component development process with and without the proposed method, assessing criteria such as accuracy, execution time, and user perception through questionnaires. The results indicated an average recommendation accuracy/utility rate of 88%, with an estimated 50% reduction in expert consultation time, in addition to the prevention of early-stage design errors and increased productivity. The main limitations identified were related to the reliability and usefulness of AI responses, the dependence on engineers’ experience for proper interpretation, the absence of testing in real industrial environments, and the limitations of AI communication interfaces. Overall, the research confirms that generative AI can serve as a strategic support tool in the PDP, offering significant gains in time and productivity. However, its effectiveness directly depends on critical analysis and the engineer’s expertise, reinforcing AI’s role as a complementary tool rather than a substitute. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39367 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Engenharia Mecânica e de Materiais |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| chatgptconsultortecnicodesign.pdf | 20,32 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
