Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.contributor | Universidade Federal Fluminense (UFF) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Yangzhou University | - |
Autor(es): dc.creator | Capelin, Matheus | - |
Autor(es): dc.creator | Martinez, Gustavo A.S. | - |
Autor(es): dc.creator | Xing, Yutao | - |
Autor(es): dc.creator | Siqueira, Adriano F. | - |
Autor(es): dc.creator | Qian, Wei-Liang | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:50:35Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:50:35Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.12913/22998624/183699 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/297039 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/297039 | - |
Descrição: dc.description | This study leverages machine learning to analyze the cross-sectional profiles of materials subjected to wire-rolling processes, focusing on the specific stages of these processes and the characteristics of the resulting microstructural profiles. The convolutional neural network (CNN), a potent tool for visual feature analysis and learning, is utilized to explore the properties and impacts of the cold plastic deformation technique. Specifically, CNNs are constructed and trained using 6400 image segments, each with a resolution of 120 × 90 pixels. The chosen architecture incorporates convolutional layers intercalated with polling layers and the “ReLu” activation function. The results, intriguingly, are derived from the observation of only a minuscule cropped fraction of the material’s cross-sectional profile. Following calibration two distinct neural networks, training and validation accuracies of 97.4%/97% and 79%/75% have been achieved. These accuracies correspond to identifying the cropped image’s location and the number of passes applied to the material. Further improvements in accuracy are reported upon integrating the two networks using a multiple-output setup, with the overall training and validation accuracies slightly increasing to 98.9%/79.4% and 94.6%/78.1%, respectively, for the two features. The study emphasizes the pivotal role of specific architectural elements, such as the rescaling parameter of the augmentation process, in attaining a satisfactory prediction rate. Lastly, we delve into the potential implications of our findings, which shed light on the potential of machine learning techniques in refining our understanding of wire-rolling processes and guiding the development of more efficient and sustainable manufacturing practices. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Escola de Engenharia de Lorena Universidade de São Paulo, SP | - |
Descrição: dc.description | Instituto de Física Universidade Federal Fluminense, RJ | - |
Descrição: dc.description | Faculdade de Engenharia de Guaratinguetá Universidade Estadual Paulista, SP | - |
Descrição: dc.description | Center for Gravitation and Cosmology College of Physical Science and Technology Yangzhou University | - |
Descrição: dc.description | Faculdade de Engenharia de Guaratinguetá Universidade Estadual Paulista, SP | - |
Formato: dc.format | 103-114 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Advances in Science and Technology Research Journal | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | cold plastic deformation | - |
Palavras-chave: dc.subject | convolutional neural network | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | sustainable manufacturing | - |
Palavras-chave: dc.subject | wire-rolling process | - |
Título: dc.title | Analysis of Wire Rolling Processes Using Convolutional Neural Networks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: