Capítulo 4 – Análise e Discussão dos resultados
4.1 Otimização dos parâmetros de processamento da tecnologia SLM
4.1.3 Análise Estatística Aço 316L
Através dos dois estudos efetuados às amostras de Aço 316L produzidas via SLM foi possível compreender a importância dos três parâmetros em análise (potência de laser, velocidade de laser e distância entre passagens consecutivas de laser) de uma forma global, isto é, para cada “propriedade” percebeu-se quais os níveis de cada parâmetro que asseguram os resultados ótimos. Foi também possível eliminar diversos níveis parâmetros que não permitiu a obtenção de amostras com bons resultados. Contudo, a não “linearidade” de resultados obtidos em função equação de energia de processamento torna muito complexa a definição dos parâmetros ótimos.
Desse modo, decidiu-se usar um software estatístico no sentido de, em primeiro lugar, assegurar que a variação dos parâmetros estudados explica a variação das propriedades obtidas nos testes e análises. Em segundo lugar, obter um modelo que prevê o valor de cada propriedade
20 30 40 50 60 70 80 100 150 200 250 300 350 400 450 500 550 600 650 En ergi a (J/ mm 3)
Tensão de rutura (MPa)
Tensão de rutura em função da E(J/mm3) para os diferentes níveis de
P(W) 50 W 60 W 70 W 80 W 90 W 100 W
96
consoante os parâmetros de processamento utilizados que permite definir os parâmetros ótimos de processamento.
Nesse sentido, efetuou-se uma análise estatística através do software SPSS Statistics juntando os resultados dos dois estudo efetuados relativamente às amostras com crescimento diametral (esta opção prendeu-se com o fato de estas apresentarem melhores resultados (cerca de 3%) na globalidade das análises do que as amostras com crescimento vertical)
Recorreu-se, portanto, a uma regressão linear múltipla na qual se introduziu como variáveis independentes o seguinte: P (Potência de laser); v (velocidade de laser); d (distância entre passagens consecutivas de laser); Pv (inter-relação entre P e v); Pd (inter-relação entre P e d); vd (inter-relação entre v e d); P_square; v_square; d_square. Para cada estudo criaram-se vários modelos onde por tentativa e erro onde se introduziam e removiam as variáveis no sentido de obter um modelo que melhor explicava a variação que se estudava.
A equação genérica de cada modelo para cada uma das análises/output (densidade, dureza e tensão de rutura) tem a seguinte forma:
“𝒐𝒖𝒕𝒑𝒖𝒕" = (𝒂)𝑷𝟐+ (𝒃)𝒗𝟐+ (𝒄)𝒅𝟐+ (𝒅)𝑷𝒗 + (𝒆)𝑷𝒅 + (𝒇)𝒗𝒅 + (𝒈)𝑷 + (𝒉)𝒗 + (𝒊)𝒅 + 𝒌
Em que a,b,c,d,e,f,g,h,i correspondem aos coeficientes obtidos através das regressões lineares múltiplas.
Densidade
Para a análise da densidade obteve-se um modelo que explica 77,3% da variação da densidade (variável dependente) de acordo com variação das variáveis independentes. A tabela com a “análise de variação” (ANOVA) do modelo indica que este tem uma boa significância na previsão do valor da densidade (F>0 e Sig=0)
Tabela 27 – Sumário do modelo estatístico obtido para a análise da densidade
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate
Change Statistics Durbin- Watson R Square Change F Change df1 df2 Sig. F Change 1 ,879a ,773 ,719 8,25433 ,773 14,357 9 38 ,000 2,083
a. Predictors: (Constant), d_square, Pv, P, vd, v_square, d, P_square, v, Pd b. Dependent Variable: Densidade
Capítulo 4 – Análise e Discussão dos resultados
97 Tabela 28 – Análise ANOVA obtida para a análise da densidade
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 8804,024 9 978,225 14,357 ,000b
Residual 2589,094 38 68,134
Total 11393,118 47
a. Dependent Variable: Densidade
b. Predictors: (Constant), d_square, Pv, P, vd, v_square, d, P_square, v, Pd
De seguida, apresenta-se a equação que define o modelo e que prevê o valor da densidade consoante os parâmetros de processamento usados na produção das amostras através do equipamento SLM 125HL (SLM solutions). Os coeficientes da equação podem ser vistos na tabela presente no Anexo B1.
𝐷𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑒 (%) = −0,038𝑃2− 4081,732𝑑2+ 0,004𝑃𝑣 + 24,542𝑃𝑑 − 1,088𝑣𝑑 + 1,961𝑃 − 0,148𝑣
− 803,765𝑑 + 94,068
Dureza
O modelo obtido explica 66,9% da variação da dureza (variável dependente) de acordo com variação das variáveis independentes. A tabela com a “análise de variação” (ANOVA) do modelo indica que este uma boa significância na previsão do valor da dureza (F>0 e Sig=0)
Tabela 29 - Sumário do modelo estatístico obtido para a análise da dureza
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate
Change Statistics Durbin- Watson R Square Change F Change df1 df2 Sig. F Change 1 ,818a ,669 ,591 19,08082 ,669 8,538 9 38 ,000 1,998
a. Predictors: (Constant), d_square, Pv, P, vd, v_square, d, P_square, v, Pd b. Dependent Variable: Dureza
Tabela 30 - Análise ANOVA obtida para a análise da dureza
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 27975,853 9 3108,428 8,538 ,000b
Residual 13834,960 38 364,078
Total 41810,813 47
a. Dependent Variable: Dureza
98
De seguida, apresenta-se a equação que define o modelo e que prevê o valor da dureza consoante os parâmetros de processamento usados na produção das amostras através do equipamento SLM 125HL (SLM solutions). Os coeficientes da equação podem ser vistos na tabela presente no Anexo B2.
𝐷𝑢𝑟𝑒𝑧𝑎 (𝐻𝑉) = −0,034𝑃2+ 19606,065𝑑2− 0,002𝑃𝑣 − 34,217𝑃𝑑 + 1,861𝑣𝑑 + 10,626𝑃 − 0,377𝑣
− 2422,338𝑑 + 8,848 Tensão de rutura
Para a análise da tensão de rutura, o modelo obtido explica 84% da variação da tensão de rutura ao corte (variável dependente) de acordo com variação das variáveis independentes. A tabela com a “análise de variação” (ANOVA) do modelo indica que este tem uma boa significância na previsão do valor da tensão de rutura ao corte (F>0 e Sig=0)
Tabela 31 - Sumário do modelo estatístico obtido para a análise da tensão de rutura
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate
Change Statistics Durbin- Watson R Square Change F Change df1 df2 Sig. F Change 1 ,916a ,840 ,802 51,34331 ,840 22,158 9 38 ,000 1,849
a. Predictors: (Constant), d_square, Pv, P, vd, v_square, d, P_square, v, Pd b. Dependent Variable: Tensao_rutura
Tabela 32 - Análise ANOVA obtida para a análise da tensão de rutura
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 525698,837 9 58410,982 22,158 ,000b
Residual 100173,142 38 2636,135
Total 625871,979 47
a. Dependent Variable: Tensao_rutura
b. Predictors: (Constant), d_square, Pv, P, vd, v_square, d, P_square, v, Pd
De seguida, apresenta-se a equação que define o modelo e que prevê o valor da tensão de rutura ao corte consoante os parâmetros de processamento usados na produção das amostras através do equipamento SLM 125HL (SLM solutions). Os coeficientes da equação podem ser vistos na tabela presente no Anexo B3.
𝑇𝑒𝑛𝑠ã𝑜 (𝑀𝑃𝑎) = −0,383𝑃2− 90238,692𝑑2+ 0,048𝑃𝑣 + 312,384𝑃𝑑 − 20,052𝑣𝑑 + 8,838𝑃
Capítulo 4 – Análise e Discussão dos resultados
99