Repository logo

ISEP - DM - Engenharia e Gestão Industrial

Permanent URI for this collection

http://hdl.handle.net/10400.22/10320

Browse

Browsing ISEP - DM - Engenharia e Gestão Industrial by Field of Science and Technology (FOS) "Engenharia e Gestão Industrial"

Now showing 1 - 1 of 1
  • Modelação do Processo de Afinação de Tintas através de Algoritmos de Machine Learning
    Publication . Costa, Catarina Morim da; Ferreira, Carlos Manuel Abreu Gomes
    Considerando o constante esforço em aprimorar a eficiência dos processos industriais, esta pesquisa direciona o seu foco para a convergência entre Engenharia e Gestão Industrial e a colorimetria. No âmago deste estudo, ressalta a necessidade premente de melhorar o processo de afinação de tintas, no qual a capacidade de prever a proporção ideal de cada base de tinta para alcançar uma tonalidade específica se configura como um desafio complexo e relevante. As bases de tinta, essência da palete cromática, oferecem uma gama diversificada de tonalidades por meio de combinações variadas. O processo de identificar as bases a integrar na mistura e as suas proporções é uma questão de destaque na colometria, frequentemente apresentando múltiplas soluções devido à natureza intrincada da cor. Este estudo adota abordagens sustentáveis de Machine Learning para determi nar fórmulas de tintas a partir de características específicas da cor e acabamento da tinta, oferecendo uma solução inovadora aos desafios da colorimetria. Simultanea mente, esta pesquisa promove a colaboração entre a Inteligência Artificial e o setor industrial, melhorando a eficiência em aplicações essenciais. Assim, o objetivo primordial deste projeto reside em desenvolver, no mínimo, um modelo de previsão de fórmulas de tinta capaz de alcançar a cor especificada com base nos parâmetros L, a e b do sistema de cor CIELab. Esta dissertação adota a metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) como estrutura orientadora. Por meio da exploração da sua natureza adaptativa, os algoritmos de Machine Learning demonstram um potencial substancial para melhorar não só a eficiência, mas também a precisão do processo de afinação de cores. Este estudo empreendeu uma análise criteriosa de três distintas abordagens, com foco na avaliação da consistência e da precisão nas previsões realizadas. A primeira abordagem pautou-se na modelação clássica das fórmulas de tintas baseada em algoritmos únicos. No entanto, diferentes modelos destacaram-se na previsão de distintas bases de tinta e, por isso mesmo, na segunda abordagem, adotou-se uma estratégia que envolve a combinação dos modelos mais adequados para cada base com o propósito de melhorar a eficácia global das previsões. Por fim, na terceira abordagem, dividiu-se o conjunto de dados em clusters, para avaliar a precisão das previsões das fórmulas de cores, explorando a especialização dos modelos. Considerando o constante esforço em aprimorar a eficiência dos processos industriais, esta pesquisa direciona o seu foco para a convergência entre Engenharia e Gestão Industrial e a colorimetria. No âmago deste estudo, ressalta a necessidade premente de melhorar o processo de afinação de tintas, no qual a capacidade de prever a proporção ideal de cada base de tinta para alcançar uma tonalidade específica se configura como um desafio complexo e relevante. As bases de tinta, essência da palete cromática, oferecem uma gama diversificada de tonalidades por meio de combinações variadas. O processo de identificar as bases a integrar na mistura e as suas proporções é uma questão de destaque na colometria, frequentemente apresentando múltiplas soluções devido à natureza intrincada da cor. Este estudo adota abordagens sustentáveis de Machine Learning para determi nar fórmulas de tintas a partir de características específicas da cor e acabamento da tinta, oferecendo uma solução inovadora aos desafios da colorimetria. Simultanea mente, esta pesquisa promove a colaboração entre a Inteligência Artificial e o setor industrial, melhorando a eficiência em aplicações essenciais. Assim, o objetivo primordial deste projeto reside em desenvolver, no mínimo, um modelo de previsão de fórmulas de tinta capaz de alcançar a cor especificada com base nos parâmetros L, a e b do sistema de cor CIELab. Esta dissertação adota a metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) como estrutura orientadora. Por meio da exploração da sua natureza adaptativa, os algoritmos de Machine Learning demonstram um potencial substancial para melhorar não só a eficiência, mas também a precisão do processo de afinação de cores. Este estudo empreendeu uma análise criteriosa de três distintas abordagens, com foco na avaliação da consistência e da precisão nas previsões realizadas. A primeira abordagem pautou-se na modelação clássica das fórmulas de tintas baseada em algoritmos únicos. No entanto, diferentes modelos destacaram-se na previsão de distintas bases de tinta e, por isso mesmo, na segunda abordagem, adotou-se uma estratégia que envolve a combinação dos modelos mais adequados para cada base com o propósito de melhorar a eficácia global das previsões. Por fim, na terceira abordagem, dividiu-se o conjunto de dados em clusters, para avaliar a precisão das previsões das fórmulas de cores, explorando a especialização dos modelos. Considerando o constante esforço em aprimorar a eficiência dos processos industriais, esta pesquisa direciona o seu foco para a convergência entre Engenharia e Gestão Industrial e a colorimetria. No âmago deste estudo, ressalta a necessidade premente de melhorar o processo de afinação de tintas, no qual a capacidade de prever a proporção ideal de cada base de tinta para alcançar uma tonalidade específica se configura como um desafio complexo e relevante. As bases de tinta, essência da palete cromática, oferecem uma gama diversificada de tonalidades por meio de combinações variadas. O processo de identificar as bases a integrar na mistura e as suas proporções é uma questão de destaque na colometria, frequentemente apresentando múltiplas soluções devido à natureza intrincada da cor. Este estudo adota abordagens sustentáveis de Machine Learning para determi nar fórmulas de tintas a partir de características específicas da cor e acabamento da tinta, oferecendo uma solução inovadora aos desafios da colorimetria. Simultanea mente, esta pesquisa promove a colaboração entre a Inteligência Artificial e o setor industrial, melhorando a eficiência em aplicações essenciais. Assim, o objetivo primordial deste projeto reside em desenvolver, no mínimo, um modelo de previsão de fórmulas de tinta capaz de alcançar a cor especificada com base nos parâmetros L, a e b do sistema de cor CIELab. Esta dissertação adota a metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) como estrutura orientadora. Por meio da exploração da sua natureza adaptativa, os algoritmos de Machine Learning demonstram um potencial substancial para melhorar não só a eficiência, mas também a precisão do processo de afinação de cores. Este estudo empreendeu uma análise criteriosa de três distintas abordagens, com foco na avaliação da consistência e da precisão nas previsões realizadas. A primeira abordagem pautou-se na modelação clássica das fórmulas de tintas baseada em algoritmos únicos. No entanto, diferentes modelos destacaram-se na previsão de distintas bases de tinta e, por isso mesmo, na segunda abordagem, adotou-se uma estratégia que envolve a combinação dos modelos mais adequados para cada base com o propósito de melhorar a eficácia global das previsões. Por fim, na terceira abordagem, dividiu-se o conjunto de dados em clusters, para avaliar a precisão das previsões das fórmulas de cores, explorando a especialização dos modelos. Entre os algoritmos avaliados, o Artificial Neural Network with a pre-trained Decoder (ANND) da primeira abordagem, apoiado na técnica de Transfer Learning, destacou-se como o mais promissor. Este demonstrou um desempenho superior tanto em termos de Erro Absoluto Médio (MAE) quanto de Raiz do Erro Quadrático Médio (RMSE), sobressaindo-se particularmente na previsão das bases de tinta mais complexas. Adicionalmente, ao realizar uma análise individual para cada cluster, destacaram se diferenças notáveis, onde cores mais claras mostraram-se mais facilmente modela das, enquanto cores mais escuras apresentaram uma maior complexidade. Portanto, ao lidar com cores mais claras, a escolha de um modelo específico pode ser uma estratégia mais eficaz. Foram ainda realizados testes experimentais, em ambiente empresarial, que reforçaram a aplicabilidade deste estudo, evidenciando o seu po tencial ao formular tintas conforme as especificações de cor e acabamento desejadas. Esta dissertação, além de enriquecer o conhecimento na área de pesquisa, destaca inequivocamente o potencial das abordagens de Machine Learning na afinação de tintas. Assim, deixa uma contribuição importante na esfera da formulação de tintas, destacando a importância da análise de dados e da modelação como meios eficazes de enfrentar os desafios perenes desta indústria em constante evolução.
    2023-10-13Master thesis Open access Show more