Noname manuscript No.

(will be inserted by the editor)

Manufatura aditiva: Influência dos parâmetros de impressão

no tempo de fabricação de uma peça em ABS
Jean Hermes Carvalho Vasco

Received: date / Accepted: date

Abstract Neste trabalho, quatro algoritmos de ma- – Material ou materiais;

chine learning (sendo estes: perceptron multicamadas, – Ferramenta para deposição do material;
máquina de vetores de suporte para regressão, processos – Sistema digital de controle.
gaussianos e random forest) foram utilizados, através
do software Weka, para elencar o nı́vel de relevância
de quatro parâmetros de impressão na determinação do Desta forma, o sistema digital de controle utiliza a
tempo de impressão de um misturador de lı́quidos, con- ferramenta para colocar o material camada por camada
feccionado em ABS (acrilonitrila butadieno estireno), e construir a forma do objeto a partir do modelo digital.
via manufatura aditiva por intermédio do software Ul-
No cenário atual, a MA vêm sendo empregada na
timaker Cura. Na sequência, a acurácia de cada algo-
produção de peças em baixos volumes, no entanto, de
ritmo foi avaliada por meio de um ı́ndice de mérito, isto
uma forma geral e aos poucos, se tornando uma parte
é, a norma de um vetor cujas componentes são o coe-
valiosa dos processos de manufatura [2]. Para suportar
ficiente de determinação R2 , a raı́z do erro quadrático
os altos volumes (e curtos prazos) necessários para a
médio RM SE e o erro absoluto médio M AE. Deste
produção em série, o processo de MA deve ser rápido e
procedimento ficou estabelecido que os modelos de ran-
escalonável. Atualmente, a maioria dos sistemas de MA
dom forest e perceptron multicamadas apresentaram os
não tem a velocidade necessária para a produção em
melhores resultados na resolução do problema. Final-
massa, principalmente quando comparada aos métodos
mente, uma análise Design of Experiments foi realizada
convencionais de fabricação [3].
para determinar qual combinação de fatores produz a
melhor resposta no problema analisado. É notável que o tempo de impressão seja uma das
questões latentes no paradigma da MA. Para investigar
Keywords Manufatura aditiva · Machine learning · a influência que os parâmetros de impressão exercem
Design of experiments · Weka sobre o tempo de impressão, propõe-se o uso de algorit-
mos de aprendizado de máquina, ou em inglês, machine
learning (ML) para determinar a importância de cada
1 Introdução
variável, e a realização de uma análise design of experi-
ments (DoE) para determinar a melhor combinação de
Manufatura aditiva (MA) é o processo de deposição de
fatores com as duas principais variáveis determinadas
material camada a camada no intuito de produzir um
na etapa anterior.
objeto a partir de um modelo digital. Esse processo en-
volve, basicamente, quatro componentes principais [1]: O resto deste trabalho segue a seguinte ordem: Uma
breve revisão dos algoritmos de ML é apresentada na
– Um modelo digital; Seção 2. Na sequência, também na Seção 2, é apresen-
J. H. C. Vasco
tado o conceito de ı́ndice de mérito (IM) e uma breve
Santo André - SP explicação sobre DoE é feita. Na Seção 3 os resultados
Tel.: +55 011 98693-6166 são apresentados e discutidos. E, finalmente, na Seção 4
E-mail: jean.vasco@aluno.ufabc.edu.br são apresentadas as conclusões.
2 Jean Hermes Carvalho Vasco

Table 1 Valores mı́nimo, máximo e média do Dataset uti- de rede também podem ser monitorados e modificados
lizado para cada variável durante o treinamento. Os nós nesta rede são todos
Variável Mı́nimo Máximo Média sigmóides (exceto quando a classe é numérica, caso em
que os nós de saı́da tornam-se unidades lineares sem
Altura da camada [mm] 0,1 0,3 0,2
N. de filetes 4 8 6
limites).
Preenchimento [%] 50 100 75
V. de Impressão [mm/s] 45 65 55 2.2.2 Máquina de vetores de suporte para regressão
(SMOreg)

2 Metodologia O classificador SMOreg implementa a máquina de ve-

tores de suporte para regressão.
Em um primeiro momento, foi consultada a literatura O parâmetro pode ser aprendido usando vários al-
no intuito de determinar os algoritmos a serem empre- goritmos. O algoritmo é selecionado configurando o Re-
gados durante a primeira etapa do trabalho. Quatro al- gOptimizer. A versão mais popular do algoritmo é dev-
goritmos foram escolhidos com base em seus históricos ido a Shevade, Keerthi et al. [6] e este é o RegOptimizer
de aplicação em regressão de dados numéricos [4]. Estes padrão.
modelos empregados encontram-se brevemente descritos
na subseção 2.2. 2.2.3 Processos gaussianos
Na Fig. 1 encontra-se um fluxograma apresentandos
as etapas do projeto, tal como a metodologia empre- Implementa processos gaussianos para regressão sem
gada. ajuste de hiperparâmetros [7].
Para tornar mais fácil a escolha de um nı́vel de
ruı́do apropriado, esta implementação aplica normal-
2.1 Processamento do dataset ização/padronização ao atributo alvo, bem como aos
outros atributos (se a normalização/padronização es-
Os dados foram coletados de 81 experimentos realiza- tiver ativada). Os valores ausentes são substituı́dos pela
dos de acordo com variações em quatro parâmetros de média/moda global. Os atributos nominais são conver-
entrada no processo de manufatura de uma misturador tidos em binários. Observe que o cache do kernel é de-
de lı́quidos (tintas, epóxi, lı́quidos densos) feito em ABS sativado se o kernel usado implementa CachedKernel.
(Fig. 2). Os parâmetros de entrada foram: altura da ca-
mada, número de filetes, preenchimento e velocidade 2.2.4 Random forest
de impressão, cujos valores variam de acordo com a
Tabela 1. A variável de saı́da é o tempo de impressão, Classe para construir uma floresta de árvores aleatórias.
cujos os valores mı́nimo, máximo e média são 134, 698 Random forest são uma combinação de preditores de
e 337,7 minutos respectivamente. árvore, de modo que cada árvore depende dos valores
de um vetor aleatório amostrado de forma independente
e com a mesma distribuição para todas as árvores da
2.2 Algoritmos de machine learning floresta [8].

Os algoritmos de aprendizado de máquina empregados

para determinar, entre as variáveis estudadas, os fatores 2.3 Índice de mérito para a avaliação da precisão dos
mais importantes na estimação do tempo de impressão algoritmos de ML
foram executados utilizando o software Weka (Waikato
Environment for Knowledge Analysis). Cada um dos No intuito de avaliar o desempenho de cada algoritmo
algoritmos empregados estão descritos brevemente nas empregado na determinação da importância de cada
subseções seguintes. variável no tempo de impressão, emprega-se o ı́ndice de
mérito. O ı́ndice de mérito, primeiro introduzido por
Barrionueve et al [9], é dado pela Eq. 1
2.2.1 Perceptron multicamadas p
IM = (1 − R2 )2 + (RM SE)2 + (M AE)2 , (1)
Trata-se de classificador que usa retropropagação para
ou seja, trata-se de um vetor, cujas componentes são o
aprender um perceptron multicamadas para classificar
coeficiente de determinação R2 (Eq. 2):
instâncias [5]. PN 2
A rede pode ser construı́da manualmente ou config- 2 i (yi − y
bi )
R = 1 − PN 2
, (2)
urada usando uma heurı́stica simples. Os parâmetros i (yi − y i )
Manufatura aditiva: Influência dos parâmetros de impressão no tempo de fabricação de uma peça em ABS 3

Fig. 1 Fluxograma da metodologia e etapas do projeto

De forma que, a medida que a magnitude deste ve-

tor aproxima-se de zero, maior é a acurácia do método
empregado.

2.4 Design of experiments

Design of Experiments trata-se de uma metodologia

matemática usada para planejar e conduzir experimen-
tos, bem como analisar e interpretar os dados obtidos
nas experiências [10]. É usada em estudos cientı́ficos de
sistemas, processos ou produtos em que as variáveis de
entrada são manipuladas para investigar seus efeitos na
variável de resposta medida.
Montgomery [11] propõem as seguintes etapas para
o desenvolvimento de um DoE:

– Definição do problema em estudo, ou seja, escolha

da variável de resposta, além dos fatores, nı́veis e
Fig. 2 Misturador de lı́quidos densos intervalos para o estudo;
– Seleção e aplicação do modelo experimental;
– Execução dos testes experimentais;
a raiz do erro quadrático médio RM SE (Eq. 3) – Análise dos resultados obtidos com fundamentação
v estatı́stica;
u N
u1 X 2
– Conclusões e contribuições.
RM SE = t (yi − ybi ) , (3)
N i Durante a etapa de definição do problema em es-
tudo, define-se a variável de resposta, neste caso, o
e o erro absoluto médio M AE (Eq. 4). tempo de impressão. Também são definidas as variáveis
N
que podem alterar a variável de resposta. Estas últimas
1 X serão definidas de acordo com o resultado da análise via
M AE = |yi − ybi | . (4)
N i ML.
4 Jean Hermes Carvalho Vasco

Table 2 Fatores, seus nı́veis e a resposta Table 3 Métricas empregadas para estimar a acurácia dos
algoritmos utilizados
Y baixo Y alto
R2 RM SE M AE IM
X baixo RXbY b RXbY a
X alto RXaY b RXaY a PC 0,9667 30,05 21,62 37,02
SMOreg 0,8482 64,49 52,35 83,06
PG 0,7298 89,87 70,30 114,1
O modelo experimental a ser empregado é o chamado RF 0,9757 26,43 18,37 32,19
modelo fatorial completo, onde a quantidade de ex-
perimentos abrange todas possı́veis combinações entre
3 Resultados
parâmetros. A quantidade de experimentos é dada pela
Eq. 5
Nesta seção apresenta-se os resultados obtidos no pro-
Qtd. experimentos = N F · R, (5) jeto. Estes resultados foram divididos e apresentados
onde N é número de nı́veis definidos para um fator, em duas partes de acordo com as duas etapas do tra-
F é número de fatores em estudo e R é o número de balho: na primeira parte, apresenta-se os resultados ref-
repetições a serem feitas. Neste trabalho, N = 2, F = 2 erentes à aplicação dos algoritmos de ML, e a segunda
e R = 3, para garantir uma acurácia maior na análise. apresenta os resultados referentes à análise DoE.

2.4.1 Determinação dos efeitos principais

3.1 Resultados referentes aos algoritmos de ML
Para um experimento com dois fatores, é possı́vel de-
terminar o efeito de cada por intermédio das relações O dataset foi processado por intermédio do Weka e
das Eq. 6 e 7: fazendo uso de quatro algoritmos de ML: Percepetron
multicamadas (PC), SMOreg, processos gaussianos (PG)
RXaY a + RXbY a RXaY b + RXbY b
Y = − ; (6) e random forest (RF) com validação cruzada de 10-
2 2 folds (padrão do Weka), ou seja, 10 subdivisões foram
RXaY a + RXaY b RXbY a + RXbY b feitas no dataset. Esse processo foi repetido 5 vezes para
X= − . (7)
2 2 cada modelo e a média foi tomada para determinar a
Onde R são os resultados obtidos para variável re- acurácia dos modelos. A Tabela 3 apresenta os resulta-
sposta, de acordo com os ı́ndices Xa , Xb , Ya e Yb , que dos de R2 , RM SE, M AE e IM .
indicam, respectivamente, os nı́veis alto (a) e baixo (b) Nota-se, pelos resultados apresentados, que o mel-
de cada fator (X e Y ). Esse procedimento é compilado hor desempenho foi o do modelo de random forest, ap-
na Tabela 2. resentando um IM de 32,19. Com resultados similares,
Desta forma, um efeito positivo indica um aumento o algoritmo perceptron multicamadas apresentou IM de
da resposta com a elevação do fator. Similarmente, um 37,02. O SMOreg e processos gaussianos se saı́ram pior
efeito negativo indica uma diminuição da resposta com entre os modelos empregados.
a elevação do fator. Já um feito nulo (ou próximo disso) Outro parâmetro utilizado para analisar o desem-
indica uma ausência de efeito do fator sobre a resposta. penho dos algoritmos foi o tempo de processamento.
Todos os modelos foram executados em um mesmo com-
2.4.2 Determinação do efeito da interação entre putador com processador i5-7200U 2.5 GHz e 8 Gb de
fatores RAM. A média do tempo de processamento para cada
modelo pode ser observada na Tabela 4. Observa-se,
O efeito da interação entre os fatores permite a iden- agora, que o SMOreg apresentou o melhor desempenho,
tificação de uma influência conjunta das variáveis de levando apenas 0,03 segundos para construir o modelo.
controle sobre a variável de resposta. Para isto, é uti- Na sequência, o percepetron multicamadas com 0,11 se-
lizado a relação da Eq. 8. gundos, random forest com 0,13 segundos. O modelo de
RXaY b + RXbY a RXaY a + RXbY b processos gaussianos teve o pior resultado, com 0,26 se-
X ∗Y = − . (8)
2 2 gundos. Assim, os algoritmos que melhor balenceiam as
Em um gráfico da interação entre os fatores, retas métricas empregadas (IM e tempo de processamento),
paralelas indicam ausência de efeito da interação en- são o random forest e o percepetron multicamadas.
tre os fatores. Assim, quando as retas de um gráfico Desta forma, foi possı́vel determinar quais variáveis
de interação tiverem uma diferença significativa entre mais afetam a variável resposta (vide Tabela 5). A in-
suas inclinações, maior será o grau da interação entre fluência do parâmetro na resposta é medida pelo peso
os fatores. atribuı́do à ela; quanto maior o valor, mais importante
Manufatura aditiva: Influência dos parâmetros de impressão no tempo de fabricação de uma peça em ABS 5

Table 4 Tempo de processamento Table 7 Efeito dos fatores e sua interação

Algoritmo Tempo [s] Efeito Intensidade

PC 0,11 Efeito do fator Ac -347,5
SMOreg 0,03 Efeito do fator Vi -98,5
PG 0,26 Interação Ac ∗ Vi -48,5
RF 0,13

Table 5 Influência das variáveis na variável resposta de impressão diminui. A Fig. 3 ilustra graficamente os
efeitos dos fatores analisados.
Ordem Influência PC SMOreg PG RF Também pela Tabela 7 é possı́vel observar o valor
Altura da camada 102,44 105,58 29,65 108,69 obtido para a interação Ac ∗Vi de, em módulo, 48,5. Esta
V. de Impressão -16,59 9,26 0,96 1,75 interação significativa indica que a resposta de um fator
Preenchimento -17,15 7,35 0,89 -1,15
N. de Filetes -19,28 4,73 -0,72 -2,13
depende da presença ou ausência do outro. Observa-se
no gráfico da Fig. 4 a interação entre os fatores.
Assim, é possı́vel constatar que a melhor combinação
Table 6 Fatores, seus nı́veis e a média da resposta de fatores, ou seja, aquela que produz o menor tempo
Vi baixo Vi alto de impressão, é Ac = 0, 03 mm e Vi = 65 mm/s.
No entanto, é notável que essa combinação vá gerar
Ac baixo 603 min 456 min
Ac alto 207 min 157 min
peças com qualidade menor, e assim, outras questões
podem ser levantadas a partir desta constatação. Por
exemplo: É possı́vel determinar uma configuração ótima
de parâmetros que possa balancear o tempo de im-
é o seu papel na determinação da variável resposta.
pressão e a qualidade das peças? Como chegar nessa
Note que os quatro modelos chegaram à mesma or-
configuração? Como as exigências da peça final afetam
dem de influência dos fatores. Em todos os modelos, a
o tempo de impressão? Quais outros fatores afetam essa
variável “Altura da camada” se apresenta como a que
variável resposta? Quais concessões precisam ser feitas?
maior influencia a variável resposta, ou seja, o tempo de
impressão. As variáveis “V. de Impressão”, “Preenchi-
mento” e “N. de Filetes” apresentam pesos relativa-
mente similares, o que indica uma menor influência na 4 Conclusões
variável resposta.
Quatro algoritmos de ML foram empregados para a de-
terminação dos pârametros que apresentam maior in-
fluência no tempo de impressão de uma peça confec-
3.2 Resultados referentes à análise DoE cionada via processo de manufatura aditiva intermedi-
ado pelo software Ultimaker Cura. Sobre essa parte do
Com o conhecimento das variáveis mais importantes trabalho, pode-se concluir que:
no problema, ou seja, altura da camada e velocidade
de impressão, foi possı́vel a execução da análise DoE. 1. Os quatro algoritmos chegaram ao mesmo resultado
Para tal, foi estabelecido os nı́veis 0, 1 mm e 0, 3 mm no que tange à determinação da importância de cada
para a variável altura da camada, aqui chamada de Ac , fator na variável resposta. A variável “Altura da
e 45 mm/s e 65 mm/s para a variável velocidade de camada” sendo, basicamente, a principal determi-
impressão, aqui chamada de Vi . A Tabela 6 ilustra isso. nante no tempo de impressão. A segunda principal
Os efeitos dos fatores foram calculados via as Eq. 6 variável encontrada foi a “Velocidade de impressão”,
e 7. Pôde-se observar, tal como observou-se nos resulta- mesmo que esta não seja tão determinante no pro-
dos dos modelos de ML, que o parâmetro Ac apresenta cesso quanto a primeira.
a maior influência na variável resposta. Já o fator Vi 2. Em relação ao desempenho individual de cada mod-
também apresenta efeito considerável na variável re- elo, o random forest apresentou o melhor IM e o ter-
sposta, ainda que significativamente menor. A Tabela 7 ceiro melhor tempo de processamento (ligeiramente
apresenta o efeito dos fatores na variável resposta. melhor que o segundo colocado).
O valor negativo dos efeitos, indicam a diminuição 3. O algoritmo perceptron multicamadas apresentou o
da resposta com a elevação do fator. Este fato já era segundo melhor IM e o segundo melhor tempo de
antecipado, uma vez que a medida que a altura da ca- processamento. Para todos os efeitos, o perceptron
mada e a velocidade de impressão crescem, o tempo multicamadas e o random forest podem ser utiliza-
6 Jean Hermes Carvalho Vasco

Fig. 3 Efeito dos fatores Ac e Vi

Fig. 4 Efeito da interação entre os fatores Ac ∗ Vi

dos alternadamente, uma vez que ambos apresentam 2. Finalmente, pode-se dizer que a combinação de fa-
resultados não muito dissimilares. tores que produz a menor resposta na variável tempo
4. Os algoritmos SMOreg e processos gaussianos ap- de impressão é Ac = 0, 03 mm e Vi = 65 mm/s. No
resentaram os piores desempenhos entre os quatro entanto, vale ressltar, essa combinação de fatores
empregados. No entanto, também chegaram às mes- acarretará em uma peça com uma menor resolução.
mas respostas que os dois melhores colocados.

Com os dois principais fatores determinados, foi re- References

alizada uma análise DoE e determinada a combinação
1. S. A. M. Tofail and E. P. Koumoulos and A. Bandyopad-
de parâmetros que produz o menor tempo de impressão. hyay and S. Bose and L. O’Donoghue and C. Charitidis,
As seguintes conclusões podem ser tomadas: Additive manufacturing: scientific and technological chal-
lenges, market uptake and opportunities, Materials Today,
21 1, 22-37 (2018)
1. Na análise DoE constatou-se, novamente, que o fa-
2. H. Proff and A. Staffen, Challenges of Additive Manufac-
tor altura da camada é o principal determinante no turing: Why companies don’t use Additive Manufacturing
tempo de impressão. um serial production, Deloitte, 01-30 (2019)
Manufatura aditiva: Influência dos parâmetros de impressão no tempo de fabricação de uma peça em ABS 7

3. I. Kucukkoc and Q. Li and D. Zhang, Increasing the utili-

sation of additive manufacturing and 3D printing machines
considering order delivery times, 2016
4. T. Doan and J. Kalita, Selecting Machine Learning Algo-
rithms Using Regression Models, 1498-1505 (2015)
5. M. Gardner and S. Dorling, Artificial neural networks (the
multilayer perceptron)—a review of applications in the at-
mospheric sciences, Atmospheric Environment, 32(14-15),
2627–2636 (1998)
6. S. Shevade and S. Keerthi and C. Bhattacharyya and K.
Murthy, Improvements to the SMO algorithm for SVM re-
gression, IEEE transactions on neural networks, 11 5, 1188-
93 (2000)
7. M. Seeger, Gaussian processes for machine learning, Inter-
national Journal of Neural Systems, 14 2, 69-106 (2004)
8. L. Breiman, Random Forests, Machine Learning, 45, 5-32
(2001)
9. G. O. Barrionueve and J. A. Ramos-Grez and M. Walczak
et al. Comparative evaluation of supervised machine learn-
ing algorithms in the prediction of the relative density of
316L stainless steel fabricated by selective laser melting, Int
J Adv Manuf Technol, 113, 419-433
10. B. Durakovic, Design of Experiments Application, Con-
cepts, Examples: State of the Art, Periodicals of Engineer-
ing and Natural Sciences, 5 3, 421-439
11. D. C. Montgomery, Design and analysis of experiments.
7 ed., 730. John Wiley and Sons, Inc., Hoboken (2008)
 CopySpider
https://copyspider.com.br/ Page 2 of 101

Relatório gerado por: jean.vasco94@hotmail.com

Arquivos Termos comuns Similaridade

Projeto - Manufatura Avançada - Jean Hermes Carvalho 23 0,24
Vasco.pdf X
http://www.decom.ufop.br/gustavo/bcc760/selas.pdf
Projeto - Manufatura Avançada - Jean Hermes Carvalho 9 0,22
Vasco.pdf X
https://qastack.com.br/stats/48267/mean-absolute-error-or-root-
mean-squared-error
Projeto - Manufatura Avançada - Jean Hermes Carvalho 8 0,21
Vasco.pdf X
https://www.passeidireto.com/arquivo/3295724/gabarito-lista-ii
Projeto - Manufatura Avançada - Jean Hermes Carvalho 6 0,18
Vasco.pdf X
https://pt.wikipedia.org/wiki/Weka
Projeto - Manufatura Avançada - Jean Hermes Carvalho 10 0,14
Vasco.pdf X
http://www.keerthis.com/smoreg_ieee_shevade_00.pdf
Projeto - Manufatura Avançada - Jean Hermes Carvalho 5 0,13
Vasco.pdf X
https://www.ncbi.nlm.nih.gov/pubmed/18249845
Projeto - Manufatura Avançada - Jean Hermes Carvalho 3 0,07
Vasco.pdf X
https://www.tableau.com/pt-br/learn/articles/books-about-data-
structures-algorithms
Projeto - Manufatura Avançada - Jean Hermes Carvalho 1 0,03
Vasco.pdf X
https://support.minitab.com/pt-br/minitab/18/help-and-how-
to/modeling-statistics/regression/supporting-topics/basics/what-
are-response-and-predictor-variables
Projeto - Manufatura Avançada - Jean Hermes Carvalho - - Parece que o site desse link está
Vasco.pdf X indisponível no momento. HTTP response
http://rubanidobr.xf.cz code: 500 - Server returned HTTP
response code: 500 for URL:
http://rubanidobr.xf.cz
Projeto - Manufatura Avançada - Jean Hermes Carvalho 0 0
Vasco.pdf X
https://www.youtube.com/watch?v=_pJX2SFoFtY

Relatório gerado por CopySpider Software 2021-04-07 19:34:13