Formação de liga Al-Cu com constituinte eutético por ASP dissimular in situ, uma análise auxilada por machine learning

Autor: Costa, Felipe Bavaroski Toledo, 1996
Přispěvatelé: Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Mecânica, Cortés Paredes, Ramón Sigifredo, 1949
Jazyk: portugalština
Rok vydání: 2021
Předmět:
Zdroj: Repositório Institucional da UFPR
Universidade Federal do Paraná (UFPR)
instacron:UFPR
Popis: Orientador: Dr. Ramón Sigifredo Cortés Paredes Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Mecânica. Defesa : Curitiba, 23/07/2021 Inclui referências: p. 145-150 Resumo: A analise de revestimentos de aspersao termica nem sempre e simples, em situacoes onde a microestrutura e complexa, como naquelas obtidas por ASP dissimilar, a presenca de varias fases e misturas das mesmas dificulta o uso da tecnica classica de thresholding para avaliacao das propriedades de revestimentos atraves de imagens. Dessa maneira esse estudo almeja avaliar a viabilidade do uso da tecnica de machine learning para auxiliar a analise de revestimentos de aspersao termica, visando melhorar a qualidade das analises obtidas e maior automacao do processo. Para tal foram depositados revestimentos pelo ASP dissimilar utilizando um arame de aluminio e outro de cobre. A deposicao de material foi feita em chapas de 50x75x1,5 mm de aluminio 5052. A analise da composicao e morfologia das microestruturas dos revestimentos obtidos foi realizada por microscopia optica, MEV e EDS. A analise quantitativa das imagens de MEV e microscopia otica foi auxiliada por modelos de machine learning de arvore de decisao e floresta aleatoria. Alem disso, em paralelo as analises dos revestimentos, foi usado o equipamento DPV 2000 particle diagnostics system™ para estudar os efeitos dos parametros do arco na zona de transferencia. A metodologia experimental aplicada para analise dos revestimentos foi a do metodo robusto de Taguchi usando um arranjo ortogonal L8 adaptado. Os fatores de controle selecionados para avaliacao foram a polaridade do arame de aluminio, corrente de aspersao, tensao, pre-aquecimento e distancia de aspersao. Os fatores de resposta analisados foram a fracao em area de porosidade, oxidos, mistura dos dois materiais para o revestimento e velocidade, temperatura e diametro das particulas para analise da zona de transferencia. Com esses procedimentos, foi constatada a viabilidade do uso de machine learning para analises de revestimentos obtidos por aspersao termica, sendo que o modelo de floresta aleatoria obtido por Python™ apresentou uma pontuacao f1 de classificacao de 0,990. Atraves das tecnicas aplicadas foi observado formacao de liga, compostos intermetalicos e eutetico nas interfaces de aluminio/cobre nos contornos das panquecas de material. Os revestimentos apresentaram porosidade, oxidos e mistura em fracao de area de 8,06%, 11,53% e 16,46%, respectivamente. Entre os parametros analisados concluiu-se que a polaridade dos arames possuiu a maior influencia sobre os fatores de resposta, sendo o mais influente sobre os valores de porosidade e oxidos dos revestimentos e sobre os valores de velocidade, temperatura e diametro das particulas. Enquanto a distancia de aspersao se revelou o fator mais importante para a formacao de mistura. Abstract: The analysis of thermal spray coatings is not always straightforward, in cases where the microstructure is complex, such as those obtained by dissimilar ASP, the presence of several phases and mixtures thereof makes it difficult to use the classical thresholding technique to evaluate the coating through images. Thus, this study aims to evaluate the feasibility of using machine learning techniques for the analysis of thermal spray coatings, seeking to improve the quality and automation of said analyses. For this purpose, coatings were deposited by dissimilar ASP using aluminum and a copper wires. The deposition of material was carried out on 50x75x1.5 mm aluminum sheets. The samples' microstructures composition and morphology analysis was performed by optical microscopy, SEM, and EDS. Quantitative analysis of MEV and optical microscopy images was aided by decision tree and random forest machine learning models. In addition, in parallel with the coatings' analysis, DPV 2000 particle diagnostics system™ equipment was used to study the arc parameter effects on the transfer zone. The experimental methodology applied was Taguchi's robust method using an adapted L8 orthogonal array. The selected control factors were the aluminum wire polarity, arc current and voltage, substrate preheating, and distance of deposition. The response factors analyzed were the content area of porosity, oxides, and a mixture of both materials for the coatings and velocity, temperature, and particle diameter for transfer zone analysis. With these procedures, it was verified the viability of using machine learning for analysis of coatings obtained by thermal spraying, with the random forest model obtained by Python™ reaching an f1 classification score of 0.990. Through the applied techniques, alloy formation, intermetallic compounds, and eutectic were observed in the aluminum/copper interfaces in the materials lamellae contours. The coatings exhibited an area fraction of porosity, oxides, and a mixture of 8.06%, 11.53%, and 16.46%, respectively. Among the analyzed parameters, it was concluded that the polarity of the wires had the greatest influence on the response factors, being the most influential on the coating values of porosity and oxides on the particle values of velocity, temperature, and diameter. Meanwhile, the spray distance proved to be the most important factor in the mixture formation.
Databáze: OpenAIRE
Externí odkaz: