Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39377| Título: | Otimização de parâmetros de usinagem com machine learning: desenvolvimento de um programa para ajuste de parâmetros conforme a demanda e requisitos de acabamento |
| Título(s) alternativo(s): | Optimization of machining parameters with machine learning: development of a program to adjust parameters according to demand and finishing requirements |
| Autor(es): | Spadini, João Henrique |
| Orientador(es): | Lima, Fabio de Freitas |
| Palavras-chave: | Usinagem Aprendizado do computador Análise de regressão Machining Machine learning Regression analysis |
| Data do documento: | 11-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | SPADINI, João Henrique. Otimização de parâmetros de usinagem com machine learning: desenvolvimento de um programa para ajuste de parâmetros conforme a demanda e requisitos de acabamento. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2025. |
| Resumo: | Este trabalho teve como objetivo aplicar técnicas de regressão linear, por meio do software Orange Data Mining, para analisar a influência dos parâmetros de corte – profundidade de corte, avanço e velocidade de corte – sobre variáveis de desempenho do processo de usinagem de ferro fundido, como consumo energético, rugosidade média e taxa de remoção de material. Foram desenvolvidos modelos de regressão para diferentes geometrias de insertos, cujos resultados apresentaram coeficientes de determinação (R²) elevados, especialmente para o consumo energético (R² = 0,971 no inserto quadrado e R² = 0,962 no inserto redondo). A análise dos coeficientes normalizados permitiu identificar que o avanço e a velocidade de corte foram os fatores mais determinantes, variando conforme a variável de saída considerada. Como aplicação prática dos resultados, foi desenvolvida uma ferramenta web (spadini.vercel.app), que disponibiliza os modelos de forma intuitiva e acessível, permitindo a operadores e planejadores de produção selecionar parâmetros de corte de acordo com a variável de interesse, apoiando a tomada de decisão e aproximando o trabalho acadêmico da realidade industrial. |
| Abstract: | This work aimed to apply linear regression techniques, using the Orange Data Mining software, to analyze the influence of cutting parameters — depth of cut, feed rate, and cutting speed — on the performance variables of the machining process of cast iron, namely energy consumption, average surface roughness, and material removal rate. Regression models were developed for different insert geometries, whose results presented high determination coefficients (R²), especially for energy consumption (R² = 0.971 for the square insert and R² = 0.962 for the round insert). The analysis of the normalized coefficients allowed identifying feed rate and cutting speed as the most determining factors, varying according to the response variable considered. As a practical application of the results, a web tool (spadini.vercel.app) was developed, providing the models in an intuitive and accessible way, allowing operators and production planners to select cutting parameters according to the variable of interest, supporting decision-making and bridging academic research with industrial practice. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39377 |
| Aparece nas coleções: | PB - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| otimizacaousinagemmachinelearning.pdf | 1,63 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
