DEFESA DE DISSERTAÇÃO DE MESTRADO Nº296
Aluno: Tiago Ramos Abreu
Título: “Desenvolvimento de Modelos de Aprendizagem de Máquina para Previsão Quebra de Bobinas Durante o Processo de Laminação à Frio do Alumínio"
Orientador: Alexandre Magno Andrade Maciel - (PPGEC)
Examinadora Externa: Claudemiro de Lima Júnior - (UPE)
Examinador Interno: Eraylson Galdino da Silva - (PPGEC)
Data-hora: 27 de março de 2024, às 14:00h.
Local: Formato Remoto - Google Meet.
Resumo:
A indústria de transformação de metais como a do alumínio, aço e cobre tem na laminação à frio um processo imprescindível na produção de materiais indispensáveis ao cotidiano. Durante este processo, um problema típico ocorre com frequência. Strip Breakage, também conhecida como Snap, é um dos principais degradadores do processo de laminação à frio do alumínio. Portanto, este trabalho desenvolve modelos de Aprendizagem de Máquina para prever a quebra de tira, através da investigação da relação entre as variáveis e o evento de quebra, usando técnicas de seleção de atributos para redução de dimensionalidade do problema, comparando métodos de classificação baseados em árvores, como Árvores de Decisão (DT), Random Forest (RF) e Extra Trees (ET). Durante o protocolo utilizado nesta pesquisa, os modelos foram avaliados para o conjunto completo de dados com parâmetros iniciais convencionais, em seguida foi realizada uma nova avaliação dos modelos já com os parâmetros otimizados ainda com alta dimensão dos dados e por fim, foi realizada uma avaliação dos modelos com os melhores atributos selecionados. Sendo que o modelo que performou melhor foi o DT com 21 atributos, com um recall ou TPR (True Positive Rate) de 0.863 e um AUC de 0.926.
O Programa
