Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/72446| Tipo: | Dissertação |
| Título : | Thermal simulation of TIG welding using EBFVM and deep learning |
| Título en inglés: | Thermal simulation of TIG welding using EBFVM and deep learning |
| Autor : | Lima, Arthur Vila Nova Albuquerque |
| Tutor: | Marcondes, Francisco |
| Palabras clave : | TIG welding;Austenitic stainless steel;Numerical simulation;EbFVM;Deep learning;Soldagem TIG;Aço inoxidável austenítico;Simulação numérica;EbFVM;Aprendizagem profunda;Soldagem;Aço inoxidável austenítico |
| Fecha de publicación : | 2023 |
| Citación : | LIMA, Arthur Vila Nova Albuquerque. Thermal simulation of TIG welding using EBFVM and deep learning. 2023. Dissertação (Mestrado em Engenharia e Ciência de Materiais) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2023. |
| Resumen en portugués brasileño: | Devido ao rápido crescimento tecnológico em todo o mundo, os setores de fabricação estão se tornando cada vez mais exigentes em relação à eficácia de suas soluções. Como resultado, as empresas estão se alavancando em busca de inovações e tecnologias avançadas para atender às demandas do mercado. Dentre eles, pode-se destacar a soldagem, um processo que é continuamente estudado e apresenta uma série de problemas a serem resolvidos para comunidade de projeto e fabricação. Soldagem por fusão é uma das categorias desses processos existentes na literatura, na qual é realizado a união de materiais através da fusão dos elementos. O nível de energia envolvido nesse processo pode causar danos à estrutura resultante, caso não seja adequadamente tratado ou controlado. Investigar as variáveis que influenciam o processo e analisar os campos de temperatura gerados são medidas úteis para se prevenir quanto a esses problemas. A simulação numérica é uma ferramenta frequentemente utilizada em pesquisas científicas e tecnológicas, que busca reduzir os custos do desenvolvimento experimental, apresentando resultados altamente precisos comparáveis aos experimentais. No mesmo sentido, área de inteligencia artificial, com algoritmos de aprendizado profundo, vem sendo bastante utilizada com uma ótima eficiência de previsão e baixos custos computacionais. Sendo assim, este estudo tem como objetivo utilizar o Método de Volumes Finitos Baseado em Elementos (EbFVM) para realizar simulações numéricas e avaliar o comportamento térmico do processo de soldagem TIG autógeno em aços inoxidáveis austeníticos. O estudo também busca prever os ciclos térmicos gerados durante o processo, utilizando redes de aprendizado profundo. Além disso, será realizada uma comparação entre os resultados experimentais da literatura com as simulações numéricas e previsões obtidas por meio do aprendizado profundo. Com base nas comparações realizadas, conclui-se que as metodologias aplicadas foram altamente eficientes na compreensão do comportamento do processo de soldagem. Essa estratégia se mostra uma excelente opção para estudos futuros na área. |
| Abstract: | Due to the rapid technological growth worldwide, manufacturing sectors are becoming increasingly demanding in terms of the effectiveness of their solutions. As a result, companies are leveraging innovations and advanced technologies to meet market demands. Among them, welding can be highlighted, as a process that is continuously studied and presents a series of problems to be solved for the design and manufacturing community. Fusion welding is one of the categories of these processes existing in the literature, in which the union of materials is performed through the fusion of elements. The level of energy involved in this process can cause damage to the resulting structure if it is not properly treated or controlled. Investigating the variables that influence the process and analyzing the generated temperature fields are useful measures to prevent these problems. Numerical simulation is a tool frequently used in scientific and technological research, seeking to reduce the costs of experimental development, presenting highly precise results comparable to experimental ones. In the same sense, the field of artificial intelligence, with deep learning algorithms, has been widely used with great efficiency in prediction and low computational costs. Therefore, this study aims to use the Element-based Finite Volume Method (EbFVM) to perform numerical simulations and evaluate the thermal behavior of the Tungsten Inert Gas (TIG) autogenous welding process in austenitic stainless steels. The study also uses deep learning networks to predict the thermal cycles generated during the process. In addition, a comparison will be made between the experimental results in the literature with the numerical simulations and predictions obtained through deep learning. Based on the comparisons made, it is concluded that the applied methodologies were highly efficient in understanding the welding process behavior. This strategy proves to be an excellent option for future studies in the area. |
| Descripción : | Este documento está disponível online com base na Portaria no 348, de 08 de dezembro de 2022, disponível em: https://biblioteca.ufc.br/wp-content/uploads/2022/12/portaria348-2022.pdf, que autoriza a digitalização e a disponibilização no Repositório Institucional (RI) da coleção retrospectiva de TCC, dissertações e teses da UFC, sem o termo de anuência prévia dos autores. Em caso de trabalhos com pedidos de patente e/ou de embargo, cabe, exclusivamente, ao autor(a) solicitar a restrição de acesso ou retirada de seu trabalho do RI, mediante apresentação de documento comprobatório à Direção do Sistema de Bibliotecas. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/72446 |
| Aparece en las colecciones: | DEMM - Dissertações defendidas na UFC |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2022_dis_avnalima.pdf | 7,71 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.