A densidade relativa (RD) dos cerâmicos pode depender de várias condições experimentais, tais como a composição do material e os processos utilizados (processos de manufatura aditiva (AM) ou convencionais). Neste trabalho, procura-se prever o impacto destas condições na RD dos cerâmicos técnicos, através da aplicação de um algoritmo de árvore de regressão. Este algoritmo cria uma representação em árvore binária do conjunto de dados, em que os ramos representam as regras de divisão, e os nós e as folhas representam os valores previstos. A árvore cresce a partir dos ramos que satisfazem as regras impostas, no entanto, quando não é permitido dividir mais, o último nó obtido não origina descendentes e torna-se uma folha. As variáveis de entrada do modelo consideradas foram o tipo de processo, a categoria AM, os dopantes Zr, a prensagem isostática a quente (binária), a quantidade e o tamanho das partículas de zircónia e alumina, a temperatura de sinterização e o tempo de retenção. O conjunto de dados foi dividido em dois subconjuntos. O conjunto de treino, utilizado para ajustar o modelo com validação cruzada, e o conjunto de teste, utilizado para avaliar o modelo. O modelo foi construído utilizando estratégias de seleção de hiperparâmetros e poda da árvore de regressão. O RMSE e R2 são exemplos das métricas utilizadas na avaliação do seu desempenho. O modelo desenvolvido distingue facilmente os processos modernos dos processos convencionais. A categoria AM e as características de sinterização são também fatores de previsão relevantes.

Ceramics relative density (RD) can depend on various experimental conditions, such as material composition and the used techniques (modern or convencional processes). In this work, we try to predict the impact of these conditions on the RD of ceramics, by applying a regression tree algorithm. This algorithm creates a binary tree representing of the dataset, where branches represent the split rules, and nodes and leaves represent the predicted values. The tree grows from branches that satisfy imposed rules, however, when it´s not allowed to split more, the last obtained node stops growing and becomes a leaf. The considered model input was the type of processes, AM category, Zr dopant, hot isostatic pressing (binary), zirconia and alumina amount and particle size, and sintering temperature and holding time. This data set was divided into two subsets: the training set, used to fit the model with cross-validation, and the test set, used to evaluate the model. The model was created using hyper-parameter selection strategies and pruning of the regression tree. The RMSE and R2 were used as performance evaluation metrics. The developed model easily distinguishes between modern and traditional techniques. AM category and Sintering characteristics are also relevant predictors.

Apoio financeiro da FCT e do FSE no âmbito do III Quadro Comunitário de Apoio.

Mestrado em Matemática e Aplicações