XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006
|
|
- Ricardo Lage Corte-Real
- 5 Há anos
- Visualizações:
Transcrição
1 Aplicação de um arranjo ortogonal de Taguchi ao projeto dos parâmetros de uma Redes Neural Artificial RBF para predição da vida de ferramentas em processo de torneamento Fabrício José Pontes (UNIFEI) João Roberto Ferreira (UNIFEI) Anderson Paulo de Paiva (UNIFEI) Resumo Este trabalho apresenta um estudo sobre a aplicação de um arranjo ortogonal de Taguchi como ferramenta para o projeto dos parâmetros de uma rede neural RBF para predição da vida de ferramentas no torneamento de um aço SAE/ABNT HRC. Os fatores investigados no experimento são o número de unidades radiais, o algoritmo para seleção dos centros das funções radiais e o algoritmo de seleção do parâmetro de largura daquela função. Para o treinamento das redes foram utilizados dados gerados a partir de um modelo de regressão obtido e validado em um experimento de usinagem planejado segundo a Metodologia de Superfície de Resposta. A análise dos resultados sugere que a rede RBF é capaz de predizer a resposta com bom desempenho. Palavras-chave: Taguchi, Redes Neurais, Torneamento, Aço 5100 (55 HRC). 1. Introdução A predição da vida de ferramentas em processos de usinagem é um problema que tem atraído a atenção de muitos pesquisadores. Ela é valiosa para evitar não conformidade da peça, danos catastróficos à ferramenta e ao maquinário e a consequente perda de produtividade, conforme afirmam Özel e Nadgir (00). Tal tarefa, no entanto, é extremamente difícil devido à não linearidade associada aos processos de desgaste, segundo Lee et al. (1996). Paiva et al (005) afirmam que o estabelececimento um relacionamento funcional adequado entre a vida da ferramenta e os parâmetros de corte (velocidade de corte, avanço e profundidade de corte) implica em um grande número de experimentos, o que torna os custos com a experimentação proibitivos. Conforme relatam Diniz et al. (005), a troca antecipada de ferramentas de corte devido à incerteza na predição da duração da vida da mesma é comum nos processos de usinagem industriais. Muitos dos estudos que objetivam a predição da vida de ferramentas utilizam com sucesso as redes neurais (Alajmi, Oraby e Esat, 005). O objetivo é deste trabalho é realizar um estudo exploratório do desempenho de Rede Neural Artificial RBF (função de base radial) na predição da vida de ferramentas no torneamento de um aço SAE/ABNT 5100 com ferramenta de cerâmica mista. Poucos estudos foram encontrados na literatura utilizando-se especificamente RBFs para tal tarefa. Alajmi, Oraby e Esat (005) compararam algumas arquiteturas de redes neurais, RBF entre elas, na predição da vida da ferramenta. Em Sonar et al (006) encontra-se um estudo que aplica redes RBF à predição da rugosidade da peça baseada nos parâmetros de corte. A literatura indica oportunidade de melhoria nos modelos de predição da vida de ferramentas e rugosidade implementados com a utilização de redes neurais artificiais. Sick (00) lista diversos problemas em estudos anteriores envolvendo redes neurais e predição de vida de 1
2 ferramentas, tais como a falta de uma experimentação planejada para a determinação de parâmetros de projeto que maximizem o desempenho da rede e a falta de aplicação de testes estatísticos aos resultados que possam sustentar as conclusões obtidas. Este trabalho fará uso de um arranjo ortogonal de Taguchi, que é de uma técnica da metodologia de projeto de experimentos (DOE), com o fim de obter parâmetros de projeto para a rede que levem a um bom desempenho na tarefa de predição. É esperado que as redes RBF apresentem bom desempenho na tarefa proposta.. Desgaste e vida da ferramenta Os desgastes de ferramentas e sua relação com os parâmetros de corte são de grande importância no estudo dos processos de usinagem. A detecção e predição dos desgastes antes que estes provoquem danos à superfície usinada é de grande valor para evitar-se a perda da peça em trabalho ou danos ao maquinário, com conseqüente perda de produtividade. (ALAJMI et al., 005). O fim de vida da ferramenta é geralmente causado pelo aumento do desgaste ocorrido, o que segundo Diniz et al. (001), pode ocorrer em função de aresta postiça de corte, a aderência, a abrasão mecânica, a difusão e a oxidação, ou falha catastrófica (quebra súbita da aresta de corte). Ainda segundo Diniz et al. (001), os fatores mais influentes na determinação da vida da ferramenta são: a velocidade de corte (Vc), o avanço (f) e a profundidade de corte (ap). 3. Redes Neurais Segundo Haykin (1994), uma rede neural é um processador paralelo massivamente distribuído que possui uma propensão natural a armazenar conhecimento experiencial e tornálo disponível para uso. Na definição de Braga et al.(000), Redes Neurais Artificiais são sistemas parelelos distribuídos compostos por unidades de processamento simples (chamadas de nós ou neurônios), que calculam determinadas funções matemáticas, em geral não-lineares, correspondendo a uma forma de computação não-algorítmica. Em uma rede neural, o conhecimento sobre um determinado problema é armazenado sob a forma dos pesos nas sinapses que interconectam os neurônios nas camadas de rede. O desempenho de uma rede neural em uma determinada aplicação depende de fatores ligados ao projeto da mesma e estes são geralmente determinados por métodos heurísticos, segundo Haykin (1994). A aplicação de redes neurais na resolução de um dado problema envolve também uma fase de aprendizagem e uma fase de testes. Por aprendizagem entende-se o processo pelo qual os parâmetros de uma rede neural são ajustados através de uma forma continuada de estímulo pelo ambiente no qual a rede está operando. Nota-se dois paradigmas principais para tal fase: aprendizado supervisionado e aprendizado não supervisionado. Dentro de cada paradigma, existem diferentes algoritmos de treinamento, que são definidos como as regras para os ajustes realizados dos pesos entre as sinapses. Haykin (1994) recomenda a utilização de dois conjuntos distintos de dados durante o projeto de uma rede neural: um conjunto para treinamento e outro para teste da rede. O conjunto de teste não entra no treinamento da rede e é usado após o mesmo, durante a fase de testes, como meio de estimar-se de maneira independente o desempenho da mesma. Recomenda ainda que a ordem na qual exemplos são apresentados à rede durante o treinamento seja aleatória. 3.1 Redes RBF Redes RBF (Radial Base Function) são um modelo de redes neurais multicamada no qual a ativação de uma unidade da camada intermediária é função da distância entre seus vetores de
3 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 006 entrada e de peso, ou seja, uma função de base radial (Bishop, 1995). Aos neurônios constituintes de uma rede do tipo RBF dá-se o nome de unidades radiais. A função radial em uso em RBFs é, geralmente, uma função gaussiana, do tipo mostrado na equação 1: φ( µ ) = exp σ x µ (1) onde x corresponde ao vetor de entrada da unidade, µ representa o centro da função radial e σ representa a largura da mesma, isto é, um parâmetro que controla quão intenso é o decaimento do valor de saída da função de ativação à medida que varia a distância ao centro. Em uma rede RBF com k unidades radiais na camada intermediária e uma única saída, esta é dada pela equação (BISHOP, 1995): y = k i= 1 ( x µ ) w0 w φ () i + onde x e µ são definidos como na equação 1, k é o número de unidades radiais presentes na camada intermediária, φ representa a função de ativação das unidades radiais, como, por exemplo, a função definida em pela equação 1, w i representa os pesos pelos quais a saída de uma unidade radial é multiplicada na camada de saída e w 0 um fator constante. O treinamento de redes RBFs envolve duas fases. Na primeira fase, os parâmetros da função radial utlizada (os centros e a largura) são determinados por métodos não supervisionados. Durante a segunda fase é realizado o ajuste dos pesos dos neurônios de saída, correspondendo a um problema linear, de processamento mais simples (Haykin, 1994). Os dois métodos usualmente utilizados para seleção dos centros são a Sub-amostragem (Subsampling) e o algoritmo K-Médias (K-Means). Após a seleção dos centros, deve-se determinar o fator de largura da função. Os algoritmos mais utlizados para essa operação são o Isotrópico e o algoritmo dos K-Mais Próximos (K-Nearest). Após essa primeira fase, o passo seguinte corresponde à otimização da camada de saída, que pode ser feita empregandose uma técnica padrão para otimização linear: a decomposição por valor singular (HAYKIN, 1994)(BISHOP, 1995). Bishop (1995) afirma que tal modelo de rede é apropriado para desempenhar diversas tarefas, dentre as quais se inclui a aproximação de funções. Uma camada intemediária, segundo o mesmo autor, é o suficiente para a aproximação de qualquer função. 4. Grandeza de saída utilizada A grandeza de saída utilizada como medida para comparação da influência dos diferentes fatores foi a S. D. Ratio da fase de testes da rede. Em um problema de regressão, S. D. Ratio é definida como sendo a relação entre o desvio-padrão dos resíduos da predição pelo pelo desvio padrão dos dados experimentalmente obtidos. Assim, quanto menor o valor de S. D. Ratio, melhor a capacidade de predição da rede neural. S. D. Ratio corresponde a 1 menos a variância explicada pelo modelo. 5. Métodos de Taguchi 5.1 Projeto Robusto Dentre as várias abordagens de engenharia de qualidade para produtos e processos, encontrase o método de Taguchi et al.(1987) para o Projeto Robusto. Segundo Ross (1991), o método corresponde a uma abordagem fora da linha da engenharia da qualidade, por ter como objetivo assegurar, ainda durante a fase de projeto e concepção, a obtenção de boa qualidade de produtos e boa performance de processos. Os métodos de Taguchi distinguem-se de outras 3
4 abordagens de engenharia de qualidade por alguns conceitos que lhe são específicos: a) Minimização de uma função perda da qualidade; b) Maximimização da relação sinal-ruído; c) Arranjos ortogonais 5. Planejamento de experimentos dentro do método de Taguchi De acordo com Montgomery (003), a Metodologia de Projeto de Experimentos (DOE) consiste na realização de experimentos nos quais fatores envolvidos em um processo sob análise são variados simultaneamente, com o objetivo de medir-se seu efeito sobre a variável (ou variáveis) de saída de tal processo. A estratégia de projeto de experimentos utilizada no método de Taguchi é baseada em arranjos ortogonais, que correspondem a um tipo de experimento fatorial fracionário, nos quais nem todas as combinações possíveis entre fatores e níveis são testadas. É útil, segundo Ross (1991), para a estimação dos efeitos principais dos fatores sobre o processo. O objetivo primeiro deste tipo de estratégia é obter o máximo de informação sobre o efeito dos parâmetros sobre o processo com o mínimo de corridas experimentais. Em adição ao fato de requerer um número menor de experimentos, os arranjos ortogonais ainda permitem testar fatores com número misto de níveis. Como o objetivo é a minimização dos valores S. D. Ratio, o problema é do tipo quanto menor, melhor. Para tal tipo de problema, a função sinal-ruído a ser maximizada é expressa pela equação 3 (ROSS, 1991): n 1 η = 10log 10 [ y i ] (3) n i= 1 onde é o valor da relação sinal-ruído, y i é valor do desvio em relação à característica da qualidade cuja tolerância é do tipo quanto menor, melhor e n corresponde ao número de experimentos realizados. 6. Geração dos dados envolvidos no experimento Para obter bom desempenho na tarefa de predição é necessário que haja uma quantidade de exemplos suficiente para que a rede possa modelar a função representativa da vida da ferramenta e que tais exemplos representem eqüitativamente a função a ser mapeada. Devido à falta de recursos para executar-se um experimento que reunisse as duas condições acima enunciadas, tentou-se encontrar na literatura um banco de dados que fosse amplo e houvesse sido gerado em condições experimentais adequadas à análise estatística, o que resultou infrutífero. Por essas razões resolveu-se utilizar casos de treinamento simulados para treinamento e testes das redes. Para geração dos casos utilizados no experimento fez-se uso de um modelo de regressão múltipla obtido por Paiva et al.(005) em um experimento de torneamento do aço SAE/ABNT HRC com ferramentas com insertos de cerâmica mista (Al O 3 + TiC), classe Sandvik GC 6050, recoberta com TiN, com geometria ISO CNGA S0155. Tal experimento foi planejado e executado segundo a Metodologia da Superfície de Resposta combinada com a técnica do fatorial completo. O modelo resultante foi validado estatisticamente por meio de testes de análise de variância (ANOVA) e apresenta um alto nível de ajuste, com R adj = 85,0%. A equação de regressão característica do modelo é apresentada na equação 4, em unidades codificadas. y = 7,968 1,51Vc,341fn 1,639ap + 0,34Vc + 0,750Vcfn + 0,075Vc. ap + 0,675 fn. ap + 1,547 fn + 0,4ap + (4) 4
5 Para o presente trabalho, gerou-se um arquivo com 150 conjuntos de dados (Vc, fn, ap, y) a partir da equação 4, sendo y o valor correspondente à vida da ferramenta, dado em minutos, prevista segundo o modelo utilizado, Vc é a velocidade de corte em m/min, fn é o avanço, dado em mm/rotação, e ap é a profundidade de corte, medida em mm. Dentre os exemplos gerados, 30 foram utilizados como conjunto de treinamento e 10 foram utilizados como conjunto de testes. Optou-se por utilizar um tamanho reduzido do conjunto de treinamento com o objetivo de averiguar a capacidade da rede neural de apresentar bons resultados com poucos exemplos. Isso é necessário para que a RBF possa constituir-se em opção viável para aplicação em experimentos reais, os quais tipicamente possuem custo elevado e não podem contar com número elevado de repetições. 7. Planejamento experimental Como para cada algoritmo de seleção da largura da função radial desejava-se investigar dois níveis do parâmetro do seu fator de escala, decidiu-se agrupar algoritmo e nível do parâmetro como um único fator de quatro níveis. Deste modo,o arranjo ortogonal utilizado no experimento foi um arranjo L8 de Taguchi com três fatores: o algoritmo para seleção de largura da função radial, o algoritmo usado para a seleção de centros e o número de unidades radiais. Os fatores e seus respectivos níveis são detalhados na tabela 1. Fator Algoritmo para seleção de largura da função radial (fator A) Algoritmo de seleção de centros da função radial (fator B) Número de unidades radiais (fator C) Número de níveis Nível 1 Nível Nível 3 Nível 4 4 Isotropic Isotropic K-Nearest K-Nearest Deviation Deviation neighbors = neighbors = Scaling Scaling 5 10 Factor = 1 Factor = 10 Subsampling K-Means Tabela 1 Fatores e níveis associados empregados no experimento Segundo Sick (00), a falta de repetições para cada combinação de níveis é um dos fatores que impede uma eficaz análise estatística que embase as conclusões dos trabalhos envolvendo redes neurais na tarefa de predição. Para evitar-se tal problema neste trabalho, cada configuração foi testada inicializada, treinada e testada independentemente cinqüenta vezes. O experimento foi conduzido com a utilização do software estatístico Statistica. 8. Análise dos resultados Os dados obtidos experimentalmente foram analisados segundo suas médias, desvios-padrão e valores da relação sinal-ruído (Ross, 1991). A análise foi realizada com a utilização do software estatístico Minitab. As figuras 1 a 3 mostram os gráficos dos efeitos principais. A tabela indica, pela ordem, os fatores que mais influenciam as grandezas de interessse. Naquela tabela, o índice 1 corresponde ao fator que mais influencia na melhoria da grandeza e o índice 3, ao fator que possui menor influência sobre a mesma. Percebe-se que o algoritmo para definição da largura da função radial é o mais influente para os três aspectos analisados, seguido pelo número de unidades radiais na camada intermediária da rede. O fator que possui menor influência é algoritmo usado para seleção dos centros. 5
6 A análise indica também os níveis dos fatores que mais contribuem para a minimzação da resposta, para a robustez do sistema e para a minimização da variabilidade, os quais são mostrados na tabela 3. Novamente nota-se que os níveis dos fatores apontados como sendo os que conduzem aos melhores resultados são os mesmos para as três grandezas analisadas. Figura 1 Efeitos principais sobre a média da resposta S. D. Ratio para conjunto de treinamento de 30 casos Figura Efeitos principais sobre a função sinal/ruído da resposta S. D. Ratio para conjunto de treinamento de 30 casos Figura 3 Efeitos principais sobre a função o desvio-padrão da resposta S. D. Ratio para conj de treinamento de 30 casos Os parâmetros de projeto para a melhor configuração obtida e os respectivos valores médios de S. D. Ratio são as mostradas na tabela 4. Sendo este um experimento exploratório, os resultados não permitem afirmar que a configuração de rede proposta seja a que apresenta desempenho ótimo para as condições de teste. Nota-se, porém, que o valor da variável de saída é bastante reduzido, o que sugere que redes RBF podem apresentar bom desempenho na predição da vida da ferramenta, para os níveis estudados. Algoritmo para determinação da Algoritmo para seleção dos centros Número de unidades radiais na camada intermediária 6
7 Minimização da média da resposta Maximização da relação sinal-ruído Minização da variabilidade largura da função radial da função radial Tabela Ordem da influência dos fatores sobre os valores médios das respostas, sobre a relação sinal-ruído e sobre a variabilidade Combinação para valores médios de S. D. Ratio Combinação para valores da relação sinal-ruído Combinação para valores do desvio padrão :1:1 :1:1 :1:1 Tabela 3 Níveis dos fatores A, B e C apontados pela análise como os melhores para minimização das média e variabilidade, e para maximização da relação sinal-ruído, para o experimento realizado Algoritmo para determinação da largura da função radial Isotropic Deviation Scaling Factor = 10 Algoritmo para seleção dos centros da função radial Subsampling Número de unidades radiais na camada intermediária Valor médio de S. D. Ratio na fase de teste para a configuração proposta Desviopadrão para a resposta S. D. Ratio 15 0, , Tabela 4 Configuração de níveis com melhor desempenho para os experimentos realizados e respectivos valores de S. D. Ratio 9. Conclusões O presente trabalho propôs-se a realizar um estudo exploratório sobre a aplicabilidade de redes RBF à tarefa de predição da vida de ferramentas de torneamento, baseada nos parâmetros de corte do processo de usinagem. O valor de S. D. Ratio foi utilizado como medida de desempenho na predição. Foram apresentados os resultados da análise da utilização de um arranjo ortogonal para o projeto dos parâmetros de redes neurais RBF para uso na aplicação proposta. Como casos de treinamento para as redes foram utilizados dados gerados a partir de um modelo de regressão obtido e validado em experimento efetuado segundo a Metodologia da Superfície de Resposta. Os resultados sugerem que as redes RBF podem apresentar bom desempenho na predição da vida da ferramenta. O valor observado durante os teste para a variável de saída foi de 0,013033, o que é um valor bastante reduzido. As conclusões obtidas neste experimento não devem ser extrapoladas para outros tipos de redes neurais nem tampouco para dados referentes a outros tipos de operações de usinagem outros materiais ou ferramentas. 10. Sugestões para futuros trabalhos Sugere-se a repetição deste estudo com a variação do tamanho do conjunto de treinamento das redes, a fim de investigar-se o efeito de tal variação sobre a capacidade de predição das redes na tarefa de predição da vida de ferramentas. 7
8 Referências ALAJMI, M. S.; ORABY, S. E.; ESAT, I. I. Neural network models on the prediction of tool wear in turning process: a comparison study. Proceedings of the IASTED Conference Artificial Intelligence and Aplications, Innsbruck, Austria, p , 005. BISHOP, C. M. Neural Networks for Pattern Recognition. New York: Oxford University Press Inc., 1995, 48p. BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro: LTC Livros Técnicos Editora S. A., 000, 6p. DINIZ, A. E.; MARCONDES, F. C.; COPPINI, N. L. Tecnologia da Usinagem dos Materiais. São Paulo: Artliber, 005, 48p. HAYKIN, S. Neural Networks - A compreensive foundation. New York: Mcmillan Publishing Company, 1994, 696p. LEE, J. H.; KIM, D. E.; LEE, S. J. Application of neural networks to flank wear prediction. Mechanical Systems and Signal Processing (1996) V10, p MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Rio de Janeiro: LTC Livros Técnicos Editora S. A., 003, 496p. ÖZEL, T.; NADGIR, A. Prediction of flank wear by using back propagation neural network modeling when cutting hardened H-13 steel with chamfered and honed CBN tools. International Journal of Machine Tools and Manufacture, V4, p.87-97, 00. PAIVA, A. P.; FERREIRA, J. R.; BALESTRASSI, P. P. Aplicação da metodologia de projeto de experimentos ao estudo dos parâmetros de usinagem de um aço SAE/ABNT 5100 utilizando ferramentas cerâmicas mistas. COBEM Congresso Brasileiro de Engenharia Mecânica, Ouro Preto,
9 [[ ][ ][ ][ ][ ][ ][ ][ ][ ][ ERROR: invalidaccess OFFENDING COMMAND: put STACK:
Disponível eletronicamente em
Disponível eletronicamente em www.revista-ped.unifei.edu.br Edição Especial Projeto Pró Engenharias Revista P&D em Engenharia de Produção V. 08 N. 01 (2010) p. 33-37 ISSN 1679-5830 PROJETO OTIMIZADO DE
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisTorneamento de aço endurecido com superfícies interrompidas usando ferramentas de CBN
Torneamento de aço endurecido com superfícies interrompidas usando ferramentas de CBN 1 INTRODUÇÃO As principais vantagens em se tornear peças de material endurecido ao invés de retificá-las são a alta
Leia maisAPLICAÇÃO DE PROJETO DE EXPERIMENTOS PARA A OTIMIZAÇÃO DE UM PROCESSO DE USINAGEM EM TORNO CNC
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 1 a15 de outubro
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisAPLICAÇÃO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA NA OBTENÇÃO DA QUALIDADE E PRODUTIVIDADE NO TORNEAMENTO DO AÇO ABNT H13
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 APLICAÇÃO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA NA OBTENÇÃO DA QUALIDADE E PRODUTIVIDADE NO TORNEAMENTO DO AÇO ABNT H13 Rachel Campos Sabioni (UNIFEI
Leia maisModelagem em Experimentos Mistura-Processo para Otimização de Processos Industriais 15
Modelagem em Experimentos Mistura-Processo para Otimização de Processos Industriais 15 1 Introdução Na indústria moderna há uma contínua busca da otimização dos níveis de produção e da melhoria da qualidade
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisOTIMIZAÇÃO DE MÚLTIPLAS RESPOSTAS BASEADA NO ERRO QUADRÁTICO MÉDIO MULTIVARIADO
OTIMIZAÇÃO DE MÚLTIPLAS RESPOSTAS BASEADA NO ERRO QUADRÁTICO MÉDIO MULTIVARIADO Emerson José de Paiva (UNIFEI) emersonjpaiva@gmail.com Anderson Paulo de Paiva (UNIFEI) andersonppaiva@yahoo.com.br João
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia mais3 INTERVALOS DE CONFIANÇA
3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,
Leia maisEdleusom Saraiva da Silva José Hilton Ferreira da Silva
Edleusom Saraiva da Silva José Hilton Ferreira da Silva MODELAGEM E ANÁLISE DA RUGOSIDADE SUPERFICIAL DO AÇO ABNT 1045 TRATADO TERMICAMENTE Primeira Edição São Paulo 2017 SUMÁRIO 1. INTRODUÇÃO... 1 1.1.
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisAPLICAÇÃO DO MÉTODO ESTATÍSTICO DE TAGUCHI NO PROCESSO DE USINAGEM EM AÇOS ABNT 1045
APLICAÇÃO DO MÉTODO ESTATÍSTICO DE TAGUCHI NO PROCESSO DE USINAGEM EM AÇOS ABNT 1045 E.P. Bruno (1), J. C. Santos (1), Rosinei B. Ribeiro (1,3) e Messias B. Silva (2) bruno@demar.faenquil.br (1) Departamento
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisAula Nº 3 Mecanismo de Formação do Cavaco
Aula Nº 3 Mecanismo de Formação do Cavaco objetivo do estudo (foco no cavaco): propiciar os fundamentos para a determinação (estimação) das forças, da rugosidade da superfície usinada e compreender o fenômeno
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisMODELO NUMÉRICO EXPERIMENTAL DA RUGOSIDADE NO FRESAMENTO FRONTAL DE ACABAMENTO DO AÇO AISI 4140 ENDURECIDO
Congresso de Métodos Numéricos em Engenharia 2015 Lisboa, 29 de Junho a 2 de Julho, 2015 APMTAC, Portugal, 2015 MODELO NUMÉRICO EXPERIMENTAL DA RUGOSIDADE NO FRESAMENTO FRONTAL DE ACABAMENTO DO AÇO AISI
Leia maisRedes de Funções de Base Radial Radial Basis Functions (RBFs)
Redes de Funções de Base Radial Radial Basis Functions (RBFs) Germano C. Vasconcelos Centro de Informática - UFPE Introdução Em uma RBF, a rede é definida do ponto de vista de um problema de aproximação
Leia maisPREFERÊNCIA DO CONSUMIDOR: UM ESTUDO DE CASO COM APLICAÇÃO DE ANÁLISE CONJUNTA E MODELOS DE REGRESSÃO
PREFERÊNCIA DO CONSUMIDOR: UM ESTUDO DE CASO COM APLICAÇÃO DE ANÁLISE CONJUNTA E MODELOS DE REGRESSÃO Gustavo Rocha Aquino González 1 Ana Paula Barbosa Sobral 2 Jane Azevedo da Silva 3 Raquel Campanate
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisProf. Danielle Bond USINAGEM USINAGEM USINAGEM. Movimentos e Grandezas nos Processos de Usinagem
Prof. Movimentos e Grandezas nos Processos de Usinagem Recomenda-se a norma NBR 6162: Conceitos da Técnica de Usinagem- Movimentos e Relações Geométricas Os movimentos entre ferramenta e peça são aqueles
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisAPLICABILIDADE DA METODOLOGIA DA SUPERFÍCIE DE RESPOSTA NA ANÁLISE DO PROCESSO DE CORTE POR PLASMA A AR COMPRIMIDO
XXIV Encontro Nac. de Eng. de Produção - Florianópolis, SC, Brasil, 03 a 05 de nov de 004 APLICABILIDADE DA METODOLOGIA DA SUPERFÍCIE DE RESPOSTA NA ANÁLISE DO PROCESSO DE CORTE POR PLASMA A AR COMPRIMIDO
Leia maisA metodologia de Taguchi Variáveis de influência Níveis Fontes de variabilidade
A metodologia de Taguchi Este texto foi extraído do item 1.5, pp. 414-433 do livro de Montgomery. A metodologia proposta por Genechi Taguchi, no início da década de 80, apresenta três objetivos principais:
Leia maisGeraldo Alves Colaco (UFPB ) Ithyara Dheylle Machado de Medeiros (UFPB )
ANÁLISE DA INFLUÊNCIA DOS PARÂMETROS DE USINAGEM SOBRE A RUGOSIDADE NO TORNEAMENTO CILÍNDRICO EXTERNO EM CORTE A SECO E COM ABUNDÂNCIA DE FLUIDO DE CORTE Geraldo Alves Colaco (UFPB ) gacolaco@ig.com.br
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia mais5 Resultados Dados artificiais Convergência à mediana e à média com dados artificiais
5 Resultados Os resultados da aplicação do método proposto estão estruturados de forma a evidenciar: 1. A convergência numérica do algoritmo proposto nesta tese para a mediana e para a média de grupos
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisPlanejamento de Experimentos /2. Aulas terças e quintas de 8 às 10h. Terças na sala F2-007 e quintas no LIG.
Planejamento de Experimentos - 2015/2 Aulas terças e quintas de 8 às 10h. Terças na sala F2-007 e quintas no LIG. Livro-texto: Design and Analysis of Experiments, Motgomery, D. C., 2009, 7th Ed., John
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisFerramenta para simulação dinâmica de sistema de manufatura baseada em modelos de construção flexivel.
para simulação dinâmica de sistema de manufatura baseada em modelos de construção flexivel. Fábio Luis Oliveira dos Reis (UFBA) flreis@ufba.br Leizer Schnitman (UFBA) leizer@area1.br Herman Augusto Lepikson
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisSEM534 Processos de Fabricação Mecânica. Aula: Materiais e Vida da Ferramenta
SEM534 Processos de Fabricação Mecânica Aula: Materiais e Vida da Ferramenta Materiais para Ferramenta Propriedades desejadas: Dureza a Quente Resistência ao desgaste Tenacidade Estabilidade química Evolução
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisHardened turning optimization of AISI steels using reliability models
OTIMIZAÇÃO DO PROCESSO DE TORNEAMENTO DE AÇOS ENDURECIDOS ABNT 52100 USANDO MODELOS DE CONFIABILIDADE Rogério Santana Peruchi (UFPB) rogerioperuchi@ct.ufpb.br Rodrigo Cardoso (UFPB) rodrigo-cardoso22@hotmail.com
Leia maisOtimização do acabamento superficial no torneamento cilíndrico externo de um aço SAE 1045
RECEBIDO 22/02/2016 APROVADO 06/06/2016 Otimização do acabamento superficial no torneamento cilíndrico externo de um aço SAE 1045 Optimization of surface finish in cylindrical external turning of SAE 1045
Leia maisProcessos Mecânicos de Fabricação. Conceitos introdutórios sobre usinagem dos metais
UDESC Universidade do Estado de Santa Catarina FEJ Faculdade de Engenharia de Joinville Processos Mecânicos de Fabricação Conceitos introdutórios sobre usinagem dos metais DEPS Departamento de Engenharia
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia mais14/05/2014. Tratamento de Incertezas TIC Aula 12. Conteúdo Propagação de Incertezas. Incerteza Propagação de incertezas de primeira ordem
Tratamento de Incertezas TIC-00.76 Aula 2 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/204./tic-00.76 Tópicos
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisTeoria e Prática da Usinagem
Teoria e Prática da Usinagem Aula 10 Seleção de Ferramentas e Torneamento Profa. Janaina Fracaro Formação do cavaco O ângulo de posição e o raio de ponta da ferramenta afetam a formação do cavaco na medida
Leia maisProjeto de Experimentos e Superfícies de Resposta (Design of Experiments DOE Response Surfaces - RS) (ENG03024-Análise de Sistemas Mecânicos)
UFRGS - Universidade Federal do Rio Grande do Sul EE - Escola de Engenharia DEMEC - Departamento de Engenharia Mecânica e Superfícies de Resposta (Design of Experiments DOE Response Surfaces - RS) (ENG0304-Análise
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisProcessos de Usinagem. Aula Forças, pressão específica e potência de corte -
Aula 10 - Forças, pressão específica e potência de corte - Conseqüências dos Esforços na Ferramenta Cavaco,f Peça,n Ferramenta Atrito Forca Movimento relativo Calor Desgaste Material peça / material ferramenta
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisOTIMIZAÇÃO MULTI-OBJETIVO COM IDENTIFICAÇÃO DE PESOS ÓTIMOS: APLICAÇÃO EM UM PROCESSO DE TORNEAMENTO DE AÇO ENDURECIDO
OTIMIZAÇÃO MULTI-OBJETIVO COM IDENTIFICAÇÃO DE PESOS ÓTIMOS: APLICAÇÃO EM UM PROCESSO DE TORNEAMENTO DE AÇO ENDURECIDO Alexandre Fonseca Torres Universidade Federal de Itajubá (UNIFEI) Av. BPS, 1303, Bairro
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisFigura 3.19 Exemplo da simulação de um ensaio de embutimento simples, Plaut e Silva (2003). Figura 3.20 Exemplo da simulação de um processo de hidroco
Figura 3.18 Determinação das deformações de um disco sob compressão, adaptação da citação de Dieter (1988). Atualmente programas de computador extremamente sofisticados e equipamentos poderosos permitem
Leia maisExperimentos sobre consumo de energia em processos de usinagem
TMEC022 USINAGEM Experimentos sobre consumo de energia em processos de usinagem Semana 8 08 a 12 de abril de 2019 Objetivo: Medir e analisar o consumo de energia no processo de torneamento convencional
Leia maisAplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisDELINEAMENTO DE EXPERIMENTOS
DELINEAMENTO DE EXPERIMENTOS Ricardo Ayer Taveira CONCEITUAÇÃO Quando se faz mudanças muito profundas no âmbito da produção, temos que levar em consideração vários problemas que podem aparecer no decorrer
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisConceitosintrodutórios Planejamentode Experimentos. Prof. Dr. Fernando Luiz Pereira de Oliveira Sala1 ICEB I DEMAT
Conceitosintrodutórios Planejamentode Experimentos Prof. Dr. Fernando Luiz Pereira de Oliveira Sala1 ICEB I DEMAT Email: fernandoest@ig.com.br Um planejamento de experimentos consiste em um teste ou umas
Leia maisANÁLISE DA INFLUÊNCIA DA VELOCIDADE DE AVANÇO NO DESGASTE DA ARESTA DE UMA FERRAMENTA DE CORTE
ANÁLISE DA INFLUÊNCIA DA VELOCIDADE DE AVANÇO NO DESGASTE DA ARESTA DE UMA FERRAMENTA DE CORTE Matheus Nogueira Andrade, Tiago Batista Pereira, Msc. Marcos Vieira de Souza Centro Universitário de Itajubá,
Leia maisESTATÍSTICA EXPERIMENTAL. ANOVA. Aula 05
ESTATÍSTICA EXPERIMENTAL ANOVA. Aula 05 Introdução A ANOVA ou Análise de Variância é um procedimento usado para comparar a distribuição de três ou mais grupos em amostras independentes. A análise de variância
Leia maisEM535 USINAGEM DOS MATERIAIS 1 O. SEMESTRE DE Teste 2
EM535 USINAGEM DOS MATERIAIS 1 O. SEMESTRE DE 2007 - Teste 2 1. As características desejáveis a um material de ferramenta são: a. resistência ao desgaste, tenacidade, dureza a quente e baixo coeficiente
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Leia maisNOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisREGRESSÃO LINEAR SIMPLES E MÚLTIPLA
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA Curso: Agronomia Matéria: Metodologia e Estatística Experimental Docente: José Cláudio Faria Discente: Michelle Alcântara e João Nascimento UNIVERSIDADE ESTADUAL DE
Leia maisPROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
Leia maisUTILIZAÇÃO DO SOFTWARE MINITAB NA COMPARAÇÃO DOS RESULTADOS DE DESVIO ARITMÉTICO MÉDIO (R a ) E TEMPERATURA DURANTE O FRESAMENTO DO AÇO ABNT 1020
UTILIZAÇÃO DO SOFTWARE MINITAB NA COMPARAÇÃO DOS RESULTADOS DE DESVIO ARITMÉTICO MÉDIO (R a ) E TEMPERATURA DURANTE O FRESAMENTO DO AÇO ABNT 020 Marcelo Adriano Marques de Almeida Natália Fernanda Santos
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisDETERIORAÇÃO DAS FERRAMENTAS DE CORTE REF.: ISO Tool life testing in milling
DETERIORAÇÃO DAS FERRAMENTAS DE CORTE REF.: ISO 8688 - Tool life testing in milling LASCAMENTOS AVARIAS QUEBRAS DA ARESTA QUEBRAS DO INSERTO DETERIORAÇÕES DEFORMAÇÃO PLÁSTICA FLANCO DESGASTES CRATERA ENTALHE
Leia mais