Redes neurais aplicadas à predição de propriedades de cerâmicas multicomponentes

Abstract

Aplicou-se a metodologia de delineamento de misturas combinado com redes neurais em dois sistemas cerâmicos multicomponentes: porcelana elétrica e porcelanato, contendo número de matérias-primas similar ao utilizado nas indústrias de fabricação de isoladores elétricos e de revestimentos cerâmicos, respectivamente. As matérias-primas industriais disponíveis foram caracterizadas quanto à composição química e propriedades físicas, as quais foram utilizadas para o delineamento de misturas. Após processamento e obtenção de propriedades das misturas planejadas, em laboratório preparado para reprodução de condições industriais, efetuou-se análise pelos métodos de regressão polinomial e treinamento de redes neurais artificiais. A capacidade preditiva dos dois métodos de análise foi avaliada com experimentos de verificação a partir de misturas não contidas no planejamento inicial. No sistema #porcelana elétrica# modelos polinomiais de segunda ordem ajustaramse para relação entre teor de matérias-primas e propriedades finais das misturas, havendo melhor capacidade preditiva das redes neurais em comparação aos modelos resultantes da regressão polinomial. No sistema #porcelanato#, modelos lineares ajustaram-se bem para relação entre variáveis de entrada e saída, assim como as redes neurais, as quais apresentam menor desvio padrão ao prever propriedades a partir de entradas não contidas no planejamento. De maneira geral, as RNAs #aprendem# a relação entre o teor das matérias-primas e as propriedades finais das misturas cerâmicas tradicionais, independente do grau da função que a descreve e do número de matérias-primas envolvidas, podendo ser utilizadas para prever propriedades de misturas não contidas no treinamento. Artificial neural networks were applied to the prediction of properties of two multicomponent ceramic systems: electrical porcelain and porcelain stoneware. Design of mixture experime the number of raw materials commonly used in ceramic industries of electrical insulators and floor tiles, respectively. Physical and chemical properties were determined for available raw materials, which were used in the design of mixture experiments. Designed mixtures were processed in laboratory according to an industrial approach. After reaching the properties of the designed ceramic mixtures, data analyses were performed by linear regression and artificial neural networks. The predictive ability of both data analysis methods was evaluated by verification experiments. In the electrical porcelain system, second order polynomial model fitted the relation between the raw materials content and final properties of mixtures. Artificial neural networks were successfully used for prediction of properties, compared with polinomial regression. In the floor tile system, linearity was achieved for the relation between raw materials content and final properties. Artificial neural networks were successful too and provided lower standard deviation compared to the fitted linear model. Artificial neural networks #learn# the relationship between raw materials content and ceramic mixture properties, independently of the number of raw materials used and the mathematical model that describes this relationship.