TCC GUILHERME & MARCOSss

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE GOIÁS
DEPARTAMENTO DE ÁREAS ACADÊMICAS IV

COORDENAÇÃO DE MECÂNICA
BACHARELADO EM ENGENHARIA MECÂNICA
GUILHERME MOREIRA DA FONSECA GONZAGA

MARCOS VINICIUS SARAIVA ALVES COSTA
RACIONALIZAÇÃO DE DOIS PLANEJAMENTOS DE EXPERIMENTOS EM

USINAGEM ATRAVÉS DO PLANEJAMENTO FATORIAL COMPLETO 23 E DA
SUPERFÍCIE DE RESPOSTA
Prof. Dr. Écio Naves Duarte – Orientador

Paulo Vinicius da Silva Resende – Coorientador
Trabalho de Conclusão de Curso

Goiânia, MARÇO / 2021
i
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE GOIÁS

DEPARTAMENTO DE ÁREAS ACADÊMICAS IV
COORDENAÇÃO DE MECÂNICA
BACHARELADO EM ENGENHARIA MECÂNICA


TRABALHO DE CONCLUSÃO DE CURSO SUBMETIDO AO DEPARTAMENTO IV,

COORDENAÇÃO DE MECÂNICA DO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA
E TECNOLOGIA DE GOIÁS, COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA
OBTENÇÃO DA GRADUAÇÃO EM ENGENHARIA MECÂNICA.
APROVADO POR:
Prof. Dr. Écio Naves Duarte, IFG

(ORIENTADOR)
Paulo Vinicius da Silva Resende, IFG

(COORIENTADOR)
Prof. Dr. Ildeu Lúcio Siqueira, IFG

(EXAMINADOR INTERNO)
GOIÂNIA, março de 2021

ii
REFERÊNCIA BIBLIOGRÁFICA
COSTA, M. V. S. A.; GONZAGA, G. M. DA F. Racionalização de dois

planejamentos de experimentos em usinagem através do Planejamento Fatorial
Completo 23 e da Superfície de Resposta. Trabalho de Conclusão de Curso,
Departamento IV, Coordenação de Mecânica, Instituto Federal de Goiás,
Goiânia, Goiás, 76 p.
CESSÃO DE DIREITOS
NOME DOS AUTORES:


BACHARELADO EM ENGENHARIA MECÂNICA / 2021
É concedida ao Instituto Federal de Educação, Ciência e Tecnologia de Goiás

permissão para reproduzir cópias deste Trabalho de Conclusão de Curso e para
emprestar ou vender tais cópias somente para propósitos acadêmicos e
científicos. Os autores reservam outros direitos de publicação e nenhuma parte
deste trabalho pode ser reproduzida sem a autorização por escrito dos autores.
Guilherme Moreira da Fonseca Gonzaga

guilhermexmath@gmail.com
Marcos Vinicius Saraiva Alves Costa

markimsaraiva@gmail.com
iii
AGRADECIMENTOS
Aos nossos pais e familiares pelo enorme apoio que nos deram para que
essa árdua caminhada fosse um pouco menos difícil.
Aos nossos orientadores Prof. Dr. Écio Naves Duarte e Paulo Vinicius da
Silva Resende por terem nos acolhido como orientandos num momento tão
delicado e nos terem dado valiosos ensinamentos.
Ao Prof. Dr. Ildeu Lúcio Siqueira por ter nos aceitado como ouvintes na
disciplina de Tópicos Especiais em Fabricação, que foi de grande ajuda durante
a elaboração deste trabalho.
A todos os outros professores do curso de graduação em Engenharia
Mecânica do IFG por compartilhar os conhecimentos que nos permitiram
crescimento profissional e pessoal.
Aos colegas de curso pelas ajudas, conversas e noites em claro. Afinal,
ninguém forma sozinho.
iv
RESUMO
O planejamento de experimentos permite otimizar processos através do uso inteligente de

experimentos. É recomendável começar as análises com estudos mais básicos envolvendo um
menor número de experimentos para então partir para outros mais elaborados, conforme o
conhecimento da dinâmica do processo vai melhorando. Porém, nem sempre os pesquisadores
fazem isso. Nestas situações cabe investigar se os mesmos resultados poderiam ter sido obtidos
utilizando um planejamento mais simples e, portanto, racionalizando o número de experimentos
que precisariam ser realizados. Neste trabalho, a fim de ilustrar como estes racionamentos
podem ser feitos, foram escolhidos dois artigos sobre planejamento de experimentos na
usinagem para que os dados originais fossem estudados novamente através do uso do
Planejamento Fatorial Completo de dois níveis e três fatores (23). A Metodologia de Superfície
de Resposta foi empregada para avaliar o custo-benefício desta racionalização. Em um artigo, a
análise FFD foi reduzida de três para dois níveis e no outro, a análise de um planejamento CCD
foi refeita usando o FFD de dois níveis. Foi constatado que as mesmas conclusões poderiam ter
sido obtidas.
Palavras-chave: Planejamento de experimentos; FFD; Racionalização.

v
ABSTRACT
Design of experiments allows one to optimize processes through the intelligent use of
experiments. It is recommended to start the analysis with more basic studies involving a smaller
number of experiments and then move on to more elaborate ones, as knowledge of the process
dynamics improves. However, researchers do not always do this. In these situations, it is worth
investigating whether the same results could have been obtained using a simpler design and,
therefore, rationalizing the number of experiments that would need to be performed. In this paper,
in order to illustrate how these rationings can be made, two articles on design of experiments in
machining were chosen to have the original data re-studied using two-level, three-factor Full
Factorial Planning (23). Response Surface Methodology was employed to evaluate the cost-
effectiveness of this rationalization. In one paper, the FFD analysis was reduced from three to
two levels and in the other, the analysis of a CCD planning was redone using the two-level FFD.
It was found that the same conclusions could have been reached.
Keywords: Design of experiments; FFD; Rationalization.

vi
LISTA DE FIGURAS
Figura 1.1: Representação de um sistema mostrando as variáveis de entrada e

saída ................................................................................................................. 11
Figura 1.2: Número de publicações sobre RSM a cada ano partindo de 2002
até 2016 ........................................................................................................... 12
Figura 1.3: Classificação dos artigos de acordo com cinco categorias ............ 13
Figura 2.1: Entradas e saídas de um processo de usinagem........................... 21
Figura 2.2: Rugosidade em função da taxa de avanço (f) e do raio de ponta da
ferramenta (r), em um processo de usinagem.................................................. 22
Figura 2.3: Exemplo mostrando a importância de produzir instrumentos de
medição confiáveis. .......................................................................................... 26
Figura 2.4: Combinações de teste de um experimento fatorial 3x2.................. 28
Figura 2.5: representação geométrica do planejamento 2³ .............................. 30
Figura 2.6: Diagrama apresentando três conceitos fundamentais que são
utilizados pela MSR.......................................................................................... 36
Figura 2.7: Passo a passo para uma condução eficiente da Metodologia de
Superfície de Resposta .................................................................................... 37
Figura 2.8: Superfície de resposta plana .......................................................... 38
Figura 2.9: Superfície de resposta não plana ................................................... 39
Figura 2.10: Superfície de contorno para interação vc* f ................................. 39
Figura 2.11: Planejamento Composto Central para k=2 ................................... 43
Figura 3.1: Fluxograma mostrando como os dois artigos foram reanalisados . 47
Figura 3.2: Fluxograma apresentando o método original do artigo à esquerda e
o método proposto para racionalização à direita .............................................. 47
Figura 3.3: Fluxograma apresentando o método original do artigo à esquerda e
o método proposto para racionalização à direita .............................................. 48
Figura 4.1: Gráfico de superfície do planejamento 33 para n vs f ..................... 52
Figura 4.2: Gráfico de superfície do planejamento 33 para n vs ap .................. 52
Figura 4.3: Gráfico de superfície do planejamento 33 para f vs ap ................... 53
Figura 4.4: Gráfico de superfície do planejamento 2³ para n vs f ..................... 55
Figura 4.5: Gráfico de superfície do planejamento 23 para n vs ap .................. 56
Figura 4.6: Gráfico de superfície do planejamento 23 para f vs ap ................... 56
Figura 4.7: gráfico de superfície para σ_abs .................................................... 59
vii
Figura 4.8: Gráfico de superfície do planejamento CCD para ap vs f .............. 62

Figura 4.9: Gráfico de superfície do planejamento CCD para ap vs Vc ........... 63
Figura 4.10: Gráfico de superfície do planejamento CCD para f vs Vc ............ 64
Figura 4.11: Gráfico de superfície do planejamento 23 para ap vs f ................. 66
Figura 4.12: Gráfico de superfície do planejamento 23 para ap vs Vc.............. 67
Figura 4.13: Gráfico de superfície do planejamento 23 para f vs Vc................. 67
Figura 4.14: gráfico de superfície para σ_abs .................................................. 68
viii
LISTA DE TABELAS
Tabela 2.1: Matriz de planejamento para um experimento fatorial 2³ ............... 29

Tabela 2.2: Matriz de Planejamento e respostas obtidas ................................. 31
Tabela 2.3: Matriz de cálculo para um experimento 2³ ..................................... 32
Tabela 2.4: Cálculo do efeito do fator X1 (E1) ................................................... 33
Tabela 2.5: Exemplo de tabela ANOVA ........................................................... 35
Tabela 2.6: Exemplificação de como funciona a evolução do estudo de um
processo ........................................................................................................... 41
Tabela 2.7: Comparação de softwares para DOE ............................................ 44
Tabela 4.1: Fatores do planejamento 33 ........................................................................................49
Tabela 4.2: Matriz de planejamento 33 ...........................................................................................49
Tabela 4.3: tabela ANOVA para força de corte ................................................ 50
Tabela 4.4: Coeficientes baseados no planejamento 33 ....................................................51
Tabela 4.5: Fatores do planejamento 2³ ........................................................... 53
Tabela 4.6: Matriz de planejamento adaptada para 23 ..................................... 54
Tabela 4.7: Tabela ANOVA da força de corte (Fc) adaptada para 23 .............. 54
Tabela 4.8: Coeficientes baseados no planejamento de 2 3.............................. 55
Tabela 4.9: Fatores do Planejamento CCD ...................................................... 60
Tabela 4.10: Matriz de planejamento CCD ...................................................... 60
Tabela 4.11: Tabela ANOVA para energia específica (SE) .............................. 61
Tabela 4.12: Coeficientes baseados no planejamento CCD ............................ 61
Tabela 4.13: Fatores do planejamento 2³ ......................................................... 64
Tabela 4.14: Matriz de planejamento adaptada para 2 3 ................................... 65
Tabela 4.15: Tabela ANOVA da energia específica (SE) adaptada para 2³ ..... 65
Tabela 4.16: Coeficientes baseados no modelo racionalizado 23 .................... 66
SUMÁRIO
1 INTRODUÇÃO .................................................................................... 11
1.1 OBJETIVO GERAL ...................................................................... 15

1.2 OBJETIVOS ESPECÍFICOS ........................................................ 15
1.3 ESTRUTURA DO TRABALHO ..................................................... 16
2 FUNDAMENTAÇÃO TEÓRICA .......................................................... 17
2.1 PLANEJAMENTO DE EXPERIMENTOS NA USINAGEM ........... 17
2.1.1 A importância da estatística ................................................... 18

2.1.2 Um exemplo ilustrativo .......................................................... 20
2.1.3 As etapas do planejamento e análise de experimentos ......... 22
2.1.4 A importância da confiabilidade da medida ........................... 25
2.2 PLANEJAMENTO FATORIAL COMPLETO 2K ............................ 26
2.2.1 A Matriz de Planejamento ...................................................... 29

2.2.2 Cálculo dos efeitos pelo algoritmo simplificado ..................... 30
2.2.4 O modelo de regressão e seus coeficientes .......................... 33
2.2.5 A tabela ANOVA .................................................................... 34
2.3 METODOLOGIA DE SUPERFÍCIE DE RESPOSTA .................... 35

2.4 OUTROS TIPOS DE PLANEJAMENTO DE EXPERIMENTO...... 40
2.4.1 Planejamento Fatorial Fracionário ......................................... 42

2.4.2 Planejamento Composto Central ........................................... 42
2.5 SOFTWARES PARA PLANEJAMENTO EXPERIMENTAL ......... 44
3 METODOLOGIA ................................................................................. 46
3.1 OS ARTIGOS ESCOLHIDOS PARA REANÁLISE ....................... 46
4 RESULTADOS E DISCUSSÃO .......................................................... 49
4.1 Adequação do planejamento 33 para 23 ....................................... 49
4.1.1 O Planejamento 33 ................................................................. 49

4.1.2 O Planejamento 23 ................................................................. 53
4.1.3 Avaliação da racionalização .................................................. 57
4.2 Adequação do planejamento CCD para 23 ................................... 59

4.2.1 O Planejamento CCD ............................................................ 59
4.2.2 O Planejamento 23 ................................................................. 64
4.1.3 Avaliação da racionalização .................................................. 67
5 CONCLUSÃO ..................................................................................... 69
REFERÊNCIAS BIBLIOGRÁFICAS ...................................................... 70
Anexo A ................................................................................................. 73
11
1 INTRODUÇÃO
Experimento pode ser definido como um teste ou uma série de testes onde
são feitas mudanças nas variáveis de entrada de um processo ou sistema para
entender como elas afetam as variáveis de saída. As variáveis de entrada são
chamadas de fatores, enquanto as de saída são chamadas de respostas
(MONTGOMERY, 2013).
Por sua vez, de acordo com Carpinetti (2009), um processo ou sistema
trata-se da transformação de matéria-prima (entrada) em um produto já com
algum nível de acabamento (saída), utilizando para tal uma combinação de
métodos, técnicas, recursos, máquinas etc.
A Figura 1.1 traz um diagrama representando o planejamento de
experimento.
Figura 1.1: Representação de um sistema mostrando as variáveis de entrada e saída.
Fonte: MONTGOMERY (2013).
O planejamento de experimentos foi proposto no início do século XX por

Sir. Ronald Fisher para obter melhorias em processos agrícolas (RESENDE; DA
SILVA, 2017). Hoje em dia, tem aplicações em diversas áreas como
desenvolvimento de fármacos, confiabilidade de exames médicos, em várias
indústrias como a química e a de fabricação e até no setor militar.
Segundo Carpinetti (2009), o planejamento de experimentos permite
melhorar a qualidade do projeto de um produto ou processo de fabricação
12
através do levantamento de informações tais como as seguintes: i) quais fatores

são mais influentes na resposta de interesse; ii) quais níveis os fatores devem
ter para que a resposta tenha um valor mínimo ou máximo; iii) quais níveis os
fatores devem ter para que o efeito dos fatores não controláveis seja reduzido.
Existem vários tipos de planejamentos de experimento. Em particular a
Metodologia de Superfície de Resposta (MSR) é uma técnica que permite a
modelagem matemática de processos para que eles possam então ser
otimizados. Esta modelagem é feita desenvolvendo uma equação linear ou
quadrática que relaciona os fatores com as repostas.
Tratando da Modelagem de Superfície de Resposta (MSR), o artigo de De
Oliveira et al. (2019), apresenta uma abordagem sobre o assunto. Após uma pré-
seleção de jornais, revistas e trabalhos publicados, os autores chegaram a
quatro periódicos que tinham uma frequência de publicação maior do que dez
artigos por ano dentro do tema Metodologia de Superfície de Resposta. Os
jornais selecionados foram: i) Internacional Journal of Advanced Manufacturing
Technology; ii) Materials and Manufacturing Processes; iii) Journal of Hazardous
Materials; iv) Bioresource Technology. A Figura 1.2 traz um gráfico que mostra o
número de publicações destes quatro jornais por ano desde 2002 até 2016.
Figura 1.2: Número de publicações sobre RSM a cada ano partindo de 2002 até 2016.
Fonte: DE OLIVEIRA et al., 2019.

13
Ainda de acordo com De Oliveira et al. (2019), estes artigos foram

encontrados através de pesquisa na base de dados do The Internacional Journal
of Advanced Manufacturing Technology (IJAMT), foram catalogados e os
resultados dispostos em formato gráfico, como mostra a Figura 1.3. Os artigos
selecionados foram então divididos em cinco grupos: i) Trabalhos não
analisados; ii) Trabalhos analisados; iii) MSR sem CCD; iv) Outros trabalhos
experimentais; v) Outros tipos de estudos.
A Figura 1.3 também traz informações a respeito de quais os anos de
publicação dos artigos em questão e a quantidade de publicações em cada um
destes anos. Inicialmente, os trabalhos que continham propostas distintas
daquelas pretendidas por De Oliveira et al. (2019) foram categorizadas como
“outros tipos de estudos”. Como segundo passo, foram filtrados os artigos que
não utilizavam os conceitos da MSR, apesar de terem aplicado a otimização de
processos; estes estudos foram classificados como “outros métodos
experimentais”. Continuando, os trabalhos que não usaram do CCD foram
categorizados como “MSR sem CCD”. Aplicado o último filtro, os artigos que
chegaram ao final foram separados em duas categorias: i) trabalhos analisados
e ii) trabalhos não-analisados. Ao todo, foram analisados 49 de 81 artigos, o que
representou aproximadamente 60% do todo.
Figura 1.3: Classificação dos artigos de acordo com cinco categorias.
Camposeco-Negrete (2014) defende que o motivo para o aumento da

utilização de planejamentos de experimentos nos últimos anos, conforme foi
14
relatado por De Oliveira et al. (2019), se deve ao fato de que os pesquisadores

perceberam que otimizar processos já existentes é mais barato e sustentável do
que fazer mudanças drásticas, além de precisar de menos investimento e ser
mais fácil de ser aceito pelos profissionais envolvidos.
Na Engenharia Mecânica, assim como em muitas outras áreas, existem
diversos processos que podem ser modelados, seja com o objetivo de inferir nas
entradas e/ou adequar as saídas. Em particular, a usinagem de materiais pode
ser modelada e otimizada através do planejamento de experimentos por envolver
processos que apresentam fatores como rotação, profundidade de corte e
avanço que afetam certos parâmetros de resposta como força de corte e
rugosidade.
No artigo de Camposeco-Negrete (2014), por exemplo, é relatado que os
fabricantes têm se preocupado cada vez mais com a eficiência energética devido
à pressão exercida pelo preço crescente da energia e do movimento social pela
sustentabilidade. Os autores então propõem um Planejamento de Experimento
por Composto Central (CCD, do inglês Central Composite Design) que viabiliza
a diminuição do consumo de energia e da rugosidade superficial através do
controle do avanço e da profundidade de corte.
Outro exemplo é apresentado por Kechagias et al. (2019), em que os
autores relatam que nos últimos anos, graças ao Planejamento Fatorial
Completo (FFD, do inglês Full Factorial Design), significativos progressos têm
sido feitos no sentido de conseguir usinar materiais que são difíceis de usinar
pelos métodos convencionais, obtendo melhor acabamento superficial e
diminuindo a força de corte.
A escolha do planejamento mais adequado permite obter os resultados
desejados com um menor número de experimentos. É importante começar as
análises com planejamentos mais básicos e depois refinar os estudos com outros
mais sofisticados (BARROS NETO et al., 2010). Porém, alguns pesquisadores
já começam as pesquisas usando métodos mais elaborados. Nestas situações
cabe investigar se os mesmos resultados poderiam ter sido obtidos utilizando um
planejamento mais simples e, portanto, racionalizando o número de
experimentos que precisariam ser realizados. É claro que o custo-benefício
também deve ser levado em conta.
15
A fim de demonstrar como a racionalização de planejamentos de

experimentos em usinagem pode ser feita, este trabalho refez as análises de
dois artigos através da utilização do Planejamento Fatorial Completo de dois
níveis e três fatores (23). A Metodologia de Superfície de Resposta foi também
usada para avaliar se uma racionalização no número de experimentos a ser
realizados não acarreta em perda significativa da qualidade das informações
obtidas sobre a dinâmica de um processo. Em um artigo, a análise FFD foi
reduzida de três para dois níveis e no outro, a análise de um planejamento CCD
foi refeita usando o FFD de dois níveis.
1.1 OBJETIVO GERAL
- Propor uma maneira de racionalizar planejamentos de experimentos em

usinagem, assim como avaliar a qualidade do racionamento, utilizando como
exemplo dois artigos publicados em periódicos de alto impacto;
1.2 OBJETIVOS ESPECÍFICOS
- Analisar se as mesmas conclusões poderiam ter sido obtidas com menos

experimentos, caso os autores dos artigos analisados tivessem utilizado o
Planejamento Fatorial Completo de dois níveis e três fatores;
- Usar modelos de regressão e superfícies de resposta para avaliar o
custo-benefício de fazer uma racionalização;
- Selecionar os fatores e uma resposta usados no Planejamento Fatorial
Completo de 3 níveis do artigo de Kechagias et al. (2019) que podem ser
reutilizados em outro Planejamento Fatorial Completo de dois níveis e três
fatores;
- Selecionar os fatores e uma resposta usados no Planejamento
Composto Central do artigo de Camposeco-Nagrete (2014) que podem ser
reutilizados em outro Planejamento Fatorial Completo de dois níveis e três
fatores.
- Comparar os resultados e conclusões obtidos através do Planejamento
Fatorial Completo de dois níveis e três fatores com os resultados e conclusões
originais dos dois artigos supracitados.
16
1.3 ESTRUTURA DO TRABALHO
Este Trabalho de Conclusão de Curso contém 5 (cinco) capítulos, as

referências bibliográficas e um anexo.
Neste primeiro capítulo foram delineados os conceitos iniciais de
planejamento de experimentos e os objetivos deste trabalho foram
apresentados.
No segundo capítulo é apresentado o conceito de planejamento de
experimentos assim como um exemplo mostrando melhor para que ele serve e
como ele é feito. São ainda abordados alguns tipos de planejamentos de
experimentos que são pertinentes a este trabalho.
O terceiro capítulo trata da metodologia que foi utilizada neste trabalho.
Mais especificamente ele mostra como os dados de dois artigos sobre
planejamento de experimentos em usinagem foram reutilizados para fazer um
novo planejamento fatorial completo 23.
O quarto capítulo dispõe os resultados que foram obtidos a partir da
reanálise dos dados originais dos artigos assim como comparações com os
resultados originais destes artigos.
Por fim, no quinto capítulo é feita a conclusão sobre o que foi realizado
neste trabalho. São apresentadas ainda algumas sugestões para trabalhos
futuros como continuidade deste.
17
2 FUNDAMENTAÇÃO TEÓRICA
2.1 PLANEJAMENTO DE EXPERIMENTOS NA USINAGEM
De acordo com Button (2016), o planejamento de experimentos tem como

objetivo a determinação do número ideal de experimentos que leve à obtenção
de informações, com um dado grau de confiabilidade, sobre quais as variáveis
que mais influenciam um processo. Este número deve ser escolhido de maneira
a minimizar os erros experimentais, mas também deve contribuir para a
viabilidade econômica e prática da experimentação.
O planejamento de experimentos foi desenvolvido entre 1920 e 1930 por
Ronald Fisher, sendo posteriormente incrementado por importantes
pesquisadores na área de estatística como Box e Wilson que desenvolveram a
metodologia de superfície de resposta e Taguchi que criou o planejamento que
leva seu nome (CAMPOS et al., 2011; RESENDE, DA SILVA, 2017).
Button (2016) comenta que o planejamento de experimentos tem como
uma de suas principais funções desenvolver processos novos e/ou aprimorar
aqueles já em utilização. Barros et al. (2010), por sua vez, denota algumas
importantes vantagens do planejamento experimental, entre elas: i) reduz o
tempo de desenvolvimento; ii) diminui o impacto ambiental no produto através
da melhoria das qualidades do mesmo; iii) maximiza a produtividade.
O uso inteligente de princípios estatísticos é o que possibilita o
planejamento de experimentos propor análises e um número mínimo de testes
que permitem extrair o máximo de informações úteis de um sistema a ser
estudado. Deste modo, ao utilizá-lo o indivíduo pode atingir seu objetivo mais
rapidamente e a um custo mais acessível (AIJALA et al., 2020).
Pelo fato de que os princípios estatísticos utilizados são os mesmos, as
técnicas de planejamento experimental podem ser usadas em diversas áreas,
não dependendo do tipo e natureza do problema (BARROS NETO et al., 2010).
Porém, o conhecimento técnico do especialista não pode ser negligenciado, a
estatística é um complemento a ele e não uma substituta. Box et al. (1978),
comenta que a estatística não pode eliminar o elemento humano da equação, de
forma que não se deve dispensar a análise crítica e o profundo conhecimento do
processo estudado.
18
Uma vez que o planejamento de experimentos estuda como certas

variáveis de entrada influenciam certas variáveis de saída, é importante, desde
o começo dos trabalhos, decidir quais delas nos interessam. As variáveis de
entrada e as de saída podem ser qualitativas ou quantitativas. Existem também
as variáveis que não podem ser controladas ou não há interesse em ser controlá-
las, estas últimas são chamadas de fatores aleatórios ou não controláveis. Uma
vez definidas quais são as variáveis de interesse, é importante definir claramente
os objetivos que se deseja alcançar com os experimentos para que então o
planejamento mais adequado seja escolhido (BARROS NETO et al., 2010).
Campos et al. (2011) retratam que na análise convencional, fatores que
influenciam a rugosidade média no processo de torneamento, tais como avanço,
velocidade de corte e profundidade, geralmente são estudados isoladamente.
Quando esta análise é utilizada um fato importante é negligenciado: as variáveis
podem se influenciar mutuamente, e o valor ideal para uma delas pode depender
do valor da outra. Este fenômeno é chamado de interação. São poucas as
situações em que fatores atuam de forma realmente independente (BUTTON,
2016).
O planejamento de experimentos foi criado justamente para estudar essas
situações corriqueiras de interação. Ele emprega várias técnicas estatísticas que
permitem analisar múltiplos fatores de influência simultaneamente através da
criação de experimentos eficientes que produzem dados que permitem um
estudo eficaz e confiável da dinâmica dos processos (BOX et al., 1978).
2.1.1 A importância da estatística
Durante este trabalho são utilizados alguns conceitos de estatística,

porém, é importante ressaltar que eles não serão abordados em profundidade,
mas apenas apresentados na medida em que se fizerem necessários, já que o
objetivo deste estudo é mostrar para que servem as ferramentas apresentadas
e como usá-las, e não discutir exaustivamente de onde elas vêm.
Barros Neto et al. (2010) comenta que a relevância da estatística vem do
fato de que a construção dos modelos empíricos por si só não é suficiente, mas
também se faz necessária a avaliação a respeito do quão adequados estes
modelos são para o sistema que está sendo modelado.
19
A seguir são destacadas algumas vantagens do uso de técnicas

estatísticas para o planejamento experimental, segundo Button (2016):
• diminuição da quantidade de ensaios sem que haja danos à
qualidade da informação coletada;
• possibilidade de estudar muitas variáveis ao mesmo tempo,
separando o efeito de cada uma sem interferir na outra;
• determinação do nível de confiança que os resultados
demonstram;
• divisão da pesquisa em questão em etapas e conseguinte
realização da mesma através de processo iterativo que, por sua
vez, tem como função acrescer novos ensaios;
• capacidade de selecionar as variáveis influentes reduzindo a
quantidade de ensaios;
• representação do processo analisado através do uso de equações
e outras funções matemáticas;
• capacidade de elaboração de conclusões, mesmo através de
resultados qualitativos.
A respeito da análise de dados, Barros et al. (2010) comenta que ela não
é a atividade estatística mais importante, mas sim o planejamento de
experimentos. De nada adianta uma alta capacidade de análise se a qualidade
dos dados obtidos for ruim. No lugar de resultados bem fundamentados, surgem
um amontoado de números sem sentido que nem o melhor estatístico
conseguiria interpretar. Portanto, é importante deixar claro que a análise
estatística é uma ferramenta extremamente poderosa, mas ainda assim apenas
uma ferramenta. As conclusões encontradas ao final do planejamento terão
qualidade e serão confiáveis apenas se os dados analisados foram coletados de
forma correta, caso contrário todo o processo é perdido e os dados devem ser
descartados.
Em consonância com a análise de Barros Neto et al. (2010), Resende e
Da Silva (2017) denotam que na ausência de um bom planejamento
experimental, os dados recebidos ao final são considerados estéreis, levando
assim à resultados inconclusivos e conclusões equivocadas. Logo, antes do
pesquisador buscar ferramentas poderosas para a análise estatística do seu
20
trabalho, ele precisa definir de forma clara e direta seus objetivos e suas
técnicas. Por fim, Montgomery (2013) define a estatística como elemento
fundamental para o ato de planejar e experimentar de maneira eficaz.
Um outro ponto que vale a pena ser discutido é a concordância entre as
técnicas estatísticas para análise de dados utilizada no processo e a
metodologia, que também precisa ser estatística, sobre a qual o planejamento
experimental se baseia. Tal concordância é necessária para que ao final as
conclusões encontradas sejam objetivas e o único meio para tal é através da
aplicação de uma metodologia igualmente estatística (BUTTON, 2016).
Existem ainda três princípios importantíssimos, frequentemente usados
na realização dos experimentos que fazem uso de conceitos da estatística.
Conforme denotado por Carpinetti (2009), eles são apresentados a seguir:
• Repetição: aplicada desde as primeiras aulas de laboratório do
curso de Bacharelado em Engenharia Mecânica, a repetição do
experimento possui duas características relevantes. A primeira
delas é a obtenção de um erro experimental que, a partir do
momento em que é calculado, é utilizado como base para
determinação de possíveis incongruências e confiabilidade dos
dados coletados. A segunda característica definidora da repetição
experimental é a possibilidade de obtenção de uma estimativa mais
precisa para tais dados;
• Aleatorização: consiste basicamente em executar os
experimentos, assim como o selecionamento e destinação de
equipamento e material, em ordem aleatória;
• Planejamento em blocos: consiste em executar o experimento
em condições homogêneas, objetivando assim o aumento da
precisão do mesmo e da quantidade de informações coletadas,
assim como a eliminação da interferência de um número
indeterminado de fatores nos resultados do próprio experimento.
2.1.2 Um exemplo ilustrativo
Para ilustrar de maneira um pouco mais concreta como é feito um

planejamento de experimento, Carpinetti (2009, p. 108) apresenta um exemplo
interessante. Para a execução de um processo de usinagem, é necessário que
21
haja o processamento de alguma matéria-prima em uma máquina, que exista um

método de trabalho definido e alguém que conduza tal atividade (operador), além
de um ambiente propício para tal. O resultado final deste processo deve ser uma
peça finalizada ou semifinalizada. Uma das propriedades que determinam a
qualidade deste produto pode ser, dentre outras, a rugosidade da superfície
usinada da peça produzida. A partir deste ponto entra então o planejamento de
experimentos, procurando entender quais as melhores maneiras de ajustar a
taxa de avanço e o raio de ponta da ferramenta de corte, objetivando sempre a
melhoria da qualidade da peça. A Figura 2.1 ilustra um exemplo de processo de
usinagem convencional, cujos parâmetros de entrada são o avanço e o raio de
ponta da ferramenta e a resposta é a rugosidade.
Figura 2.1: Entradas e saídas de um processo de usinagem.
Fonte: Adaptado de RESENDE et al. (2019).
Em cada experimento os fatores são combinados e então a rugosidade

superficial da peça é medida. Segundo a metodologia de planejamento fatorial,
devem ser realizadas combinações de todos os níveis que cada fator pode ter,
resultando, neste caso, em quatro diferentes combinações provenientes dos dois
níveis para a taxa de avanço (f1 e f2 na Figura 2.2) e dois níveis para o raio de
ponta da ferramenta (r1 e r2). Finalizadas as combinações, o resultado deve
mostrar quais combinações de fatores levam a uma maior redução da
rugosidade. A Figura 2.2 traz diagramas que relacionam a rugosidade de uma
superfície em função do avanço e do raio de ponta da ferramenta.
Por fim, Carpinetti (2009) conclui o exemplo relatando que o planejamento
de experimentos permite melhorar a qualidade de projeto de produto ou processo
de fabricação através do levantamento das seguintes informações:
• quais fatores são mais influentes na resposta de interesse;
• quais níveis os fatores influentes devem ter para otimizar as respostas;
22
• quais níveis os fatores influentes devem ter para minimizar a variabilidade

das respostas;
• quais níveis os fatores influentes devem ter para minimizar a influência de
variáveis incontroláveis como vibração e temperatura.
Figura 2.2: Rugosidade em função da taxa de avanço (f) e do raio de ponta da

ferramenta (r), em um processo de usinagem.
Fonte: Carpinetti (2009).
2.1.3 As etapas do planejamento e análise de experimentos
A utilização de planejamento e análise estatística em experimentos

implicam que algumas condições sejam respeitadas. A principal delas é que
todos aqueles envolvidos, sejam pesquisadores ou estagiários, tenham certeza
daquilo que estão estudando e como os dados para tal serão coletados, além de
ao menos uma breve noção de como funciona a análise de dados
(MONTGOMERY, 2013).
O passo a passo de como deve ser o procedimento de planejamento,
coleta e análise de dados é apresentado a seguir, segundo Montgomery (2013):
1. Reconhecimento e formulação de questões-problema: existe uma
grande dificuldade no meio científico para formulação de uma questão-
problema de boa qualidade e que atenda todos os pontos de um projeto
ou experimento. É preciso que haja um brainstorming entre os vários
setores envolvidos, como engenharia, controle de qualidade, marketing,
gerência, cliente e pessoal de operação e, principalmente, que exista
trabalho em equipe na formulação desta questão. A preparação de uma
lista de questões-problema com suas respectivas respostas é de grande
ajuda. Além disso, é quase impossível que um experimento de grande
23
escala consiga respostas para todas as questões levantadas e, por este

motivo, talvez seja mais válido aplicar uma série de pequenos
experimentos, cada qual com sua questão e respectiva resposta;
2. Seleção da variável de resposta: é de grande importância para o
resultado final do experimento ter um certo grau de certeza acerca da
relevância da variável de entrada (fator) para fornecer informações válidas
sobre as respostas do sistema. A partir daí, os pesquisadores precisam
definir como cada uma destas variáveis será medida e qual a calibração
adequada dos instrumentos utilizados para tais medições. Quando a
capacidade de medição do instrumento é baixa ou insuficiente, é indicado
que uma mesma medição seja realizada múltiplas vezes, objetivando
assim reduzir a incerteza da mesma;
3. Seleção de fatores, níveis e faixas de valores: esta etapa em conjunto
com as duas primeiras são conhecidas como planejamento pré-
experimental e são de grande importância para o sucesso do projeto ou
experimento. Montgomery (2013) aqui reitera o quão vital é o trabalho em
grupo, visto que dificilmente um único indivíduo teria todo o conhecimento
necessário para um eficiente planejamento experimental. Os fatores
podem ser separados em categorias e sofrerem algumas divisões. A
primeira delas leva em consideração o nível de interesse dos
pesquisadores na forma como estes fatores variam ou influenciam nas
respostas. Enquanto os “fatores potenciais de projeto” são aqueles que os
pesquisadores têm interesse em variar, os “fatores incômodos”, mesmo
que influenciem de forma considerável nas respostas, não interessam
naquele momento específico. A partir desta primeira divisão, é possível
realizar uma segunda, que separa os “fatores de projeto potenciais” em:
i) fatores de design; ii) fatores mantidos constantes; iii) fatores que podem
variar. Então, uma terceira divisão é possível, de forma que os “fatores
incômodos” são separados em: i) controláveis; ii) não controláveis e iii)
fatores de ruído.
Montgomery (2013) disserta que assim que o pesquisador termina de
escolher seus fatores, ele deve definir dentro de quais faixas estes fatores irão
variar e qual será o nível de análise aplicado sobre os mesmos. A seguir, também
precisa determinar como as variáveis de entrada serão controladas e quais as
24
áreas de interesse para cada fator específico selecionado. Uma ferramenta de

grande utilidade para organização dos fatores é o “diagrama de causa e efeito”,
também conhecido como “diagrama espinha de peixe”. Este diagrama utiliza de
uma análise de causa e efeito entre diversos elementos (materiais, pessoal,
ambiente, métodos, máquinas, entre outros) que circundam o experimento e as
respostas recebidas ao final do processo. Importante comentar que alguns
destes elementos podem influenciar diretamente em um ou mais fatores de
design incluídos no experimento.
4. Escolha do design experimental: esta etapa consiste em determinar: i)
tamanho da amostra analisada; ii) ordem dos testes experimentais; iii) se
haverá bloqueio de algum fator ou restrições de aleatorização. Para este
momento do planejamento, existem alguns softwares capazes de
apresentar os resultados desejados, bastando ao operador ou
pesquisador inserir os dados a respeito dos fatores e níveis utilizados em
seu experimento;
5. Execução do experimento: chegado o momento de execução do
experimento, é de vital importância o constante monitoramento de todo
o processo, objetivando garantir que tudo saia como o planejado.
Montgomery (2013), alerta que um erro de execução neste ponto do
planejamento experimental pode destruir completamente tudo o que foi
construído anteriormente, jogando o projeto na estaca zero. É indicado
que haja um pesquisador responsável por checar todos os fatores antes
de cada teste ser exercido. Também se faz válida a execução de testes
pilotos, pois, são capazes de apresentar um estudo sobre a consistência
experimental, além de uma ideia de como seria um erro de
concretização.
6. Análise estatística dos dados: o uso de métodos estatísticos para
análise dos resultados traz conclusões objetivas para o experimento.
Montgomery (2013), denota que até mesmo a utilização de métodos
gráficos e de modelos empíricos (equações que relacionem fatores e
respostas) também possuem sua validade neste ponto;
7. Conclusões e recomendações: os dados coletados e analisados
devem levar a conclusões práticas e planos de ação. Métodos gráficos
se mostram mais uma vez úteis aqui, especialmente para demonstrar os
25
resultados alcançados para outras pessoas. Montgomery (2013)

também denota a importância de testes de confirmação, além do
entendimento de que a experimentação é um processo iterativo, ou seja,
nem sempre a primeira hipótese criada levará a conclusões satisfatórias.
A experimentação não é isolada, mas sim parte de uma sequência de
eventos e, de forma geral, não é indicado que a priori (nos primeiros
testes) seja usado mais do que 25% dos recursos disponíveis. Por fim,
o planejamento experimental é indicado para todos os experimentos,
independente do nível de importância, e a falha na execução de um bom
planejamento experimental pode levar à perda de tempo, financeira e
resultados aquém do esperado.
2.1.4 A importância da confiabilidade da medida
O conceito de “incerteza” tem relação com alguns parâmetros

metrológicos e metodológicos, além de padrões industriais. Acontece que toda
medição possui um “erro” atrelado à mesma, este, por sua vez, que tem origem
na calibração do instrumento ou máquina utilizados para a medição desejada.
Resende et al. (2019, p. 2), denotam que: “A estimativa e declaração deste
parâmetro são indispensáveis para a garantia da rastreabilidade metrológica do
resultado de medição, bem como para ao atendimento da NBR ISSO IEC
17025”.
Portanto, declarar corretamente a incerteza de um instrumento de
medição possibilita que tais resultados sejam comparados com valores de
referência e, a partir daí, seja realizada uma conferência entre a medida coletada
pelo pesquisador e aquelas já pré-estabelecidas por uma instituição
responsável, no caso do Brasil o INMETRO. A preocupação com a incerteza dos
instrumentos começou a ser discutida pela comunidade científica na década de
1970, o que gerou internacionalmente o Guide to Expression of Uncertainty in
Measurement (GUM) e nacionalmente o documento de nome “Avaliação de
dados de medição – Guia para Expressão da Incerteza de Medição GUM 2008”.
Fato é que de nada adianta um bom planejamento experimental e a
aplicação de métodos analíticos eficazes, se as medidas realizadas não podem
ser confiadas. Desta necessidade surge a importância dos manuais e dos
certificados de calibração, além do correto seguimento do método referenciado
26
pelos institutos responsáveis pela calibração dos instrumentos utilizados durante

um experimento. A Figura 2.3 ilustra um problema que pode surgir quando não
há um cuidado com a produção, manuseio e manutenção de instrumentos de
medição.
Figura 2.3: Exemplo mostrando a importância de produzir instrumentos de medição

confiáveis.
Fonte: Autor desconhecido.
2.2 PLANEJAMENTO FATORIAL COMPLETO 2K
Segundo Montgomery e Runger (2016), a técnica do planejamento fatorial

é usada normalmente quando há a necessidade de analisar o efeito de um ou
mais fatores sobre uma saída. O maior benefício trazido pelo planejamento
fatorial é a possibilidade de estudo e otimização dos dados utilizando para tal um
menor número de tentativas, desde que o número de fatores envolvidos seja
pequeno.
O planejamento fatorial atua de diversas formas na análise de um
experimento, entre elas duas se destacam: i) é capaz de determinar se há
interação entre as variáveis atuantes; ii) determina quais destas variáveis de
entrada (fatores) possuem influência ou não sobre a resposta. Segundo Barros
Neto et al. (2010, p. 84), os planejamentos fatoriais: “São muito simples de
executar e depois podem ser ampliados para formar um planejamento mais
sofisticado, se quisermos conhecer melhor a relação entre a resposta e os
27
fatores importantes.” É normal que em experimentos com um número muito

grande de variáveis de entrada algumas delas não exerçam influência
considerável sobre as respostas. A partir deste ponto, entende-se que vale mais
a pena a aplicação de uma triagem do experimento seguida de um
redirecionamento estratégico, visto que um planejamento fatorial completo para
casos assim pode acarretar em desperdício de recursos com fatores sem
significância.
A execução de um planejamento fatorial tem início com a determinação
dos níveis que cada uma das variáveis de entrada terá. De acordo com Marinho
e De Castro (2005, p. 2): “Cada um desses experimentos, em que o sistema é
submetido a um conjunto de níveis definido, é um ensaio experimental”. A partir
daí, a quantidade mínima de experimentos é calculada através do produto dos
níveis de cada um dos fatores. A Eq. 2.1 ilustra este cálculo.
𝑁º 𝑚í𝑛𝑖𝑚𝑜 𝑑𝑒 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜𝑠 = 𝑛1 ∙ 𝑛2 ∙ 𝑛3 ∙ … ∙ 𝑛𝑘 (Eq. 2.1)
Em que:
- n1: número de níveis do fator 1;
- nk: número de níveis do fator k.
É importante ressaltar que a Eq. 2.1 traz apenas a quantidade mínima de

ensaios de um experimento. Caso o pesquisador deseje efetuar a repetição de
alguns desses ensaios objetivando estimar o erro atrelado ao experimento, tal
número pode ser bem maior (MARINHO, DE CASTRO, 2005).
Para exemplificação de um experimento fatorial, Carpinetti (2009) traz um
caso da usinagem convencional, em que três fatores influenciam na qualidade
da rugosidade superficial de uma peça, são eles: i) avanço da ferramenta,
referenciado aqui pela letra A; ii) profundidade de corte da ferramenta (B); iii)
geometria da ferramenta (C). O experimento segue através da testagem de três
diferentes níveis do avanço da ferramenta (A1, A2 e A3), dois diferentes níveis da
profundidade de corte da ferramenta (B1 e B2) e dois diferentes níveis da
geometria da ferramenta (C1 e C2).
28
A Figura 2.4 traz todas as doze (3x2x2) combinações para o problema

apresentado.
Figura 2.4: Combinações de teste de um experimento fatorial 3x2.
O conceito nomeado de “Delineamento de Experimentos” é basicamente

uma junção de tudo o que foi falado até este momento. É composto de duas
etapas principais, sendo a primeira delas o planejamento do experimento,
momento do experimento focado em definições iniciais e organização. Durante
o planejamento são definidos os fatores dependentes e independentes, assim
como a quantidade mínima de testes que serão aplicados, se haverá repetições
com o objetivo de determinar o erro experimental, além da determinação de
quais técnicas serão utilizadas para a etapa seguinte, a análise de dados.
Caracterizada pela função principal de descobrir qual a relação entre as variáveis
de entrada e as de saída, a análise de dados utiliza de métodos e técnicas
estatísticas para tal (CARPINETTI, 2009).
O Planejamento Fatorial Completo do tipo 2k é o mais simples de todos,
uma vez que para que as combinações entre os fatores sejam feitas, o número
mínimo de níveis que cada um deles deve ter é dois. O termo 2k é criado quando
é imaginado um número “k” de fatores de um experimento, cada um
apresentando dois níveis, objetivando, assim, estudar as interações entre os
mesmos e como eles afetam a resposta (MONTGOMERY, 2013).
O planejamento 2k é capaz de mostrar a existência de tendências nos
dados analisados e, desta forma, ajudar a decidir a direção que as pesquisas
devem tomar para que depois posa ser feito um planejamento mais abrangente
como, por exemplo, o 3k (MARINHO, DE CASTRO, 2005).
29
O Planejamento Fatorial Completo do tipo 2k possui suas vantagens e

desvantagens. Como principal vantagem, permite que, durante a execução dos
experimentais, todas as interações entre as variáveis de entrada e as respostas
possam ser estudas. Tais combinações são conhecidas como arranjos, sendo o
fatorial completo o arranjo em que todos os níveis de todos os fatores são
considerados simultaneamente. A principal desvantagem do planejamento
fatorial 2k surge exatamente da sua vantagem. Conforme o número de fatores
aumenta linearmente o número de experimentos, por sua vez, aumenta
exponencialmente tornando a aplicação desta metodologia inviável. A solução
para contornar este problema pode ser o uso do chamado Planejamento Fatorial
Fracionário, representada por 2k-1 (CAMPOS et al., 2011).
2.2.1 A Matriz de Planejamento
A matriz de planejamento, também conhecida como matriz de contraste,

é uma tabela que mostra como os fatores devem ser combinados para que os
experimentos sejam feitos e os resultados medidos. Carpinetti (2009) apresenta
um exemplo que mostra como a matriz é construída. Partindo da suposição de
que se queira investigar o efeito, em termos de vida útil da ferramenta, dos
seguintes fatores e da interação entre eles: i) tipos de ferramentas: dois tipos
(níveis) de ferramentas, codificados por (-1) e (+1); ii) avanço: dois níveis de
avanço, codificados por (-1) e (+1); iii) velocidade de corte: dois níveis de
velocidade de corte, codificados por (-1) e (+1). Aqui são três os fatores de
controle, cada um com dois níveis. Portanto: 2 x 2 x 2 = 2³ = 8 combinações
possíveis de experimentos. O planejamento é feito usando as combinações
mostradas na Tabela 2.1.
Tabela 2.1: Matriz de planejamento para um experimento fatorial 2³.

30
Como é possível observar analisando a matriz de planejamento da Tabela

2.1, as colunas têm início com os valores inferiores (-) e a partir do início da
experimentação, os sinais vão se alternando. A primeira coluna tem alternância
de um nível de cada vez (um sinal negativo, um sinal positivo, um sinal negativo).
A segunda coluna tem alternância de dois níveis de cada vez (dois negativos,
dois positivos). Na terceira coluna, quatro níveis de cada vez (quatro negativos,
quatro positivos), e assim continua em um ritmo de crescimento com base em
potências de 2. Generalizando, em uma coluna “k” haverá 2k-1 sinais negativos
seguidos de 2k-1 sinais positivos (BARROS NETO et al., 2010).
A Figura 2.5 traz a representação gráfica do exemplo apresentado.
Figura 2.5: representação geométrica do planejamento 2³.
Carpinetti (2009) ressalta ainda que esse tipo de planejamento permite

apenas uma análise univariada, ou seja, a resposta deve ser uma variável única
ou cada resposta deve ser analisada separadamente.
2.2.2 Cálculo dos efeitos pelo algoritmo simplificado
Carpinetti (2009) propõe um exemplo didático sobre como fazer o cálculo

dos efeitos através de um algoritmo simples. Para verificar os efeitos na
rugosidade de uma superfície usinada quanto as seguintes condições de
usinagem (níveis dos fatores de controle) são testadas: i) x1: Taxa de avanço,
31
nos níveis 10, 30 mm/min, ou seja, (-1) e (+1) em forma codificada; ii) x2:
Profundidade corte, nos níveis 30 e 50 m, (-1) e (+1); iii) x3: Raio de ponta da
ferramenta, nos níveis 1 e 3 mm, (-1) e (+1).
Após montar a matriz de planejamento, as respostas foram medidas
(Tabela 2.2) e anotadas (rugosidade Ra em micrômetros). Aqui é utilizada a
técnica da aleatorização, com o objetivo principal de eliminar a possibilidade de
presença de variabilidade oriunda de fontes desconhecidas (CARPINETTI,
2009).
Tabela 2.2: Matriz de Planejamento e respostas obtidas.
A partir da matriz de planejamento é formada a matriz de cálculo,

conforme ilustrado na Tabela 2.3, objetivando o cálculo dos efeitos.
32
Tabela 2.3: Matriz de cálculo para um experimento 2³.
O efeito principal de um fator, como x1 por exemplo, corresponde à

mudança da resposta do processo quando o nível de x1 é alterado de (-1) para
(+1), mantendo os outros fatores constantes. Quando o efeito de uma variável
depende do nível de outras, dizemos que as duas variáveis interagem. As
colunas dos efeitos de interação são formadas através da multiplicação das
colunas das interações principais. Como exemplo, para o efeito E12
multiplicamos as colunas de x1 e x2. O mesmo vale para as demais interações.
Para o cálculo dos efeitos, o seguinte procedimento é seguido: i)
multiplique cada linha da resposta pelo elemento correspondente na coluna da
matriz de cálculo cujo efeito se deseja calcular; ii) some os valores obtidos; iii)
divida o resultado obtido pela metade do número de testes (N/2).
Por exemplo, para o E1, de acordo com Carpinetti (2009), são realizados
os cálculos mostrados na Tabela 2.4:
33
Tabela 2.4: Cálculo do efeito do fator X1 (E1).
Fonte: Adaptado de Carpinetti (2009).
Sendo N = 8, temos N/2 = 4, logo E1 = 9/4 = 2,25. Procedendo de maneira

análoga podemos calcular os outros efeitos principais e de interação.
2.2.4 O modelo de regressão e seus coeficientes
Tratando o experimento como um sistema ou processo qualquer, os

fatores são as variáveis de entrada (E1, E2, ..., EK) que, por sua vez, são
transformados em respostas, as variáveis de saída (S1, S2, ..., SK). O que
acontece dentro do processo é desconhecido pelo pesquisador no início do seu
planejamento, sendo seu objetivo principal descobrir a função que rege o seu
sistema ou ao menos obter uma aproximação satisfatória (MONTGOMERY,
2013).
A metodologia para planejamento chama a atenção para o fato de que a
elaboração de um modelo matemático, mesmo que aproximado, possibilita um
planejamento de experimento mais focado ao definir valores/níveis mais
adequados para os fatores, reduzindo com isso o número de ensaios
necessários (MONTGOMERY, 2013).
Segundo Carpinetti (2009), o modelo matemático da variação da resposta
em função dos fatores de controle pode ser aproximado por um polinômio. Para
um experimento fatorial 2³, o polinômio contém os seguintes termos, onde 𝑦 é a
resposta (Eq. 2.2):
34
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝛽12 𝑥1 𝑥2 + 𝛽13 𝑥1 𝑥3 + 𝛽23 𝑥2 𝑥3 + 𝛽123 𝑥1 𝑥2 𝑥3 (Eq.

2.2)
Os coeficientes deste polinômio são a metade dos valores dos efeitos

correspondentes. Como exemplo, no tópico anterior foi calculado que E1 é igual
a 2,25. Portanto 𝛽1 = 2,25/2 = 1,125. O coeficiente 𝛽0 é estimado pela média das
observações (Eq. 2.3), ou seja:
1
𝛽0 = 𝑁 [𝑦1 + 𝑦2 + 𝑦3 + ⋯ + 𝑦𝑁 ] (Eq. 2.3)
Alguns autores, como Granato e Calado (2013), preferem desconsiderar

os termos provenientes das interações e usam a seguinte equação (Eq. 2.4):
𝑌 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 (Eq. 2.4)
Carpinetti (2009) enfatiza ainda que ao calcular os coeficientes pode

haver uma discrepância considerável entre suas ordens de grandeza. Isto sugere
que nem todos os efeitos são igualmente importantes e, portanto, seus
coeficientes podem ser desconsiderados já que não afetam significativamente a
resposta. Na verdade, alguns dos efeitos de valores pequenos poderiam ser
apenas um reflexo do erro experimental, ou seja, a importância de um efeito deve
ser julgada pela comparação do valor deste efeito com o valor do erro
experimental. A tabela ANOVA pode ser usada para julgar a significância de um
efeito.
2.2.5 A tabela ANOVA
Conforme mencionado no tópico anterior, para decidir quais coeficientes

descartar no modelo de regressão não podemos simplesmente comparar suas
ordens de grandeza, é necessário construir uma tabela ANOVA. A tabela da
Análise de Variância ANOVA (do inglês, Analysis Of Variance), pode ser definida
como uma coleção de modelos estatísticos, na qual a variância amostral é
dividida em vários elementos devido a diferentes fatores que nas aplicações
estão relacionadas a um processo. Por meio disso, a ANOVA busca o estudo da
35
influência dos fatores de entrada que possam ter características de interesse

sobre determinada resposta.
Uma tabela ANOVA tem a aparência conforme mostrada na Tabela 2.5.
Tabela 2.5: Exemplo de tabela ANOVA.
Fonte de Soma de Graus de Quadrado F P-Value

Variação Quadrados Liberdade Médio
A
B
AB
Erro
Total
Fonte: Adaptado de MONTGOMERY (2013).
Em relação aos parâmetros, segundo Oliveira (2019), os graus de

liberdade são calculados subtraindo uma unidade do número de fatores. Por sua
vez, a soma de quadrados mede a variação dos dados. Já o quadrado médio é
a razão entre a soma de quadrados e os graus de liberdade, e a estatística F
pode ser encontrada na tabela de distribuição F de Fisher-Snedecor.
Para o objetivo do planejamento de experimentos, a construção da tabela
ANOVA envolve-se, em suma, com a finalidade de descobrir quais fatores são
significantes, ou seja, quais deles afetam mais significativamente a resposta.
Desse modo, pode ser determinado através da análise da coluna do valor-p. O
valor-p pode ser compreendido como um parâmetro auxiliar na determinação de
confiabilidade dos fatores do sistema, e caso seja de interesse do
experimentalista uma confiabilidade de 95%, por exemplo, significa que qualquer
valor-p ≤ 0,05 será considerado significante. Logo, para o sistema analisado
aquele fator pode ser considerado como influente para a resposta.
2.3 METODOLOGIA DE SUPERFÍCIE DE RESPOSTA
A Metodologia de Superfície de Resposta (MSR) (do inglês, Response

Surface methodology) foi desenvolvida nos anos 1950 por George Box e seus
associados. Em suma, a MSR pode ser definida como a combinação de técnicas
36
de modelagem, métodos de optimização e análise de experimentos e tem como

objetivo principal alcançar melhorias nos processos através do uso de dados
experimentais (DE OLIVEIRA et al., 2019). A Figura 2.6 traz um diagrama de
Venn mostrando como os assuntos abordados até este ponto compõem a MSR
e de que maneira eles são utilizados por ela.
Figura 2.6: Diagrama apresentando três conceitos fundamentais que são utilizados
pela MSR.

37
A Figura 2.7 traz os nove passos para uma condução eficiente da

Metodologia de Superfície de Resposta, que parte da determinação dos
parâmetros de entrada (fatores), passa pela análise da influência destes fatores
nas variáveis de resposta, até que são encontrados quais deles que otimizam o
processo em questão, ou seja, quais são significantes.
Figura 2.7: Passo a passo para uma condução eficiente da Metodologia de Superfície
de Resposta.

38
De acordo com Marinho, de Castro (2005), a MSR é utilizada para

otimização dos valores máximos e mínimos gerados pelo planejamento 2k,
quando há a necessidade de ajuste no modelo linear desta técnica. Também são
utilizadas quando é possível modelar a variabilidade das respostas em função
dos fatores no formato de uma superfície plana (Figura 2.8). Quando isso
acontece, em geral pela busca de uma função matemática que modele entrada
e saída de um sistema, a função procurada pode ser aproximada a um polinômio
de primeira ordem, regido pela seguinte equação (Eq. 2.5):
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑘 𝑥𝑘 +ε (Eq. 2.5)
Em que ε é o erro experimental.
Figura 2.8: Superfície de resposta plana.
Caso a relação entre saída e entrada do sistema não seja bem definida
por uma superfície plana, a função então passa a ser representada por um
polinômio de 2ª ordem, dado pela Eq. 2.6 (CARPINETTI, 2009). A Figura 2.9
representa a superfície não plana característica desta variação da relação do
sistema analisado:
𝑘 𝑘
𝑦 = 𝛽0 + 𝛴𝑖=1 𝛽𝑖 𝑥𝑖 + 𝛴𝑖=1 𝛽𝑖𝑖 𝑥𝑖2 + 𝛴𝑖 𝛴𝑗 𝛽𝑖𝑗 𝑥𝑖 𝑥𝑗 + 𝜀 (Eq. 2.6)
39
Figura 2.9: Superfície de resposta não plana.
A Eq. 2.5 é um caso particular da Eq. 2.6. Pode haver ainda uma situação
em que a interação entre dois fatores não é significante. Camposeco-Negrete
(2014) apresenta um exemplo deste caso, mostrado na Figura 2.10.
Figura 2.10: Superfície de contorno para interação Vc* f.
Fonte: Camposeco-Negreti (2014).
Neste exemplo, foi estudado como a velocidade de corte (Vc) a

profundidade de corte (ap) e o avanço (f) influenciam na resposta, que é a
energia específica (SE). Após a construção da tabela ANOVA, foi constatado que
a interação entre a velocidade de corte (Vc) e o avanço (f) não foi significante.
40
Dessa forma, ao plotar a equação de predição, conforme a Eq. 2.6, com os

termos da interação não significantes foi obtida a Figura 2.10.
2.4 OUTROS TIPOS DE PLANEJAMENTO DE EXPERIMENTO
A tomada de decisão a respeito de qual método de planejamento de

experimentos e qual metodologia para análise dos dados coletados serão
utilizados é tão importante quanto a própria execução do experimento em si. Um
equívoco bastante cometido dentro da comunidade científica é a utilização de
metodologias complexas quando não há necessidade ou de maneira prematura.
O desperdício de tempo e recursos em um país como o Brasil é extremamente
prejudicial e, no caso do planejamento experimental, utilizar técnicas um pouco
mais elaboradas, como o 3k, logo de início pode não ser a melhor decisão uma
vez que um planejamento mais simples como o 2k já poderia seria suficiente para
determinar quais fatores são mais significantes. Inicialmente, vale mais a pena
executar uma investigação preliminar mais simples objetivando analisar o
impacto de cada um dos fatores nas respostas, para após esta análise, ser
utilizado uma técnica de planejamento de experimento mais avançada
(MONTGOMERY, 2013; BARROS NETO et al., 2010).
Em concordância com o pensamento dos autores mencionados acima,
Button (2016, p. 11) denota que a escolha inicial por metodologias mais simples,
com um número menor de séries de ensaios, tem relação intrínseca com a
produtividade da equipe de pesquisadores. Pelo fato de que a experimentação
científica é um processo de iteração, um aumento gradual da quantidade de
variáveis à medida que se aprende sobre um processo em específico é o ideal.
Os experimentos devem começar simples e, se necessário se tornarem mais
sofisticados, eles não devem simplesmente partir deste último estágio sem
justificativa para tal. “Com essa iniciativa, reduz-se o número de ensaios e o que
é mais importante reserva-se os recursos para aqueles ensaios realmente
importantes, que normalmente não fornecem resultados objetivos nas tentativas
iniciais”.
Com essa análise inicial, são eliminadas algumas variáveis não
significativas para o produto ou processo final, desta maneira é feita uma triagem
dos dados para que outros métodos possam ser usados nos que forem mais
importantes. Em muitas situações da pesquisa científica não há muito dinheiro
41
disponível, a eliminação prévia de um certo número de variáveis não

significantes pode economizar muito deste dinheiro e do tempo dos
pesquisadores, que também pode ser reduzido a um caráter monetário. Para
fazer esta triagem inicial, pode ser feito uso dos planejamentos fatoriais
completos ou fracionários a depender do número de fatores que se deseja
analisar.
Os planejamentos fatoriais 2k e 3k, são úteis quando o número de fatores
é pequeno, porém se tornam inviáveis quando os fatores a ser analisados são
numerosos. Neste caso outros planejamentos como os fatoriais fracionários e
Taguchi são mais recomendados (BARROS NETO et al., 2010; MONTGOMERY,
2013).
A Tabela 2.6 traz um exemplo de como funciona a evolução do estudo de
um processo.
Tabela 2.6: Exemplificação de como funciona a evolução do estudo de um processo.
Fonte: Barros Neto et al. (2010).
Analisando a Tabela 2.6, é possível perceber que a evolução do

conhecimento cresce à medida que percorremos as linhas de cima para baixo.
Fato é que o objetivo do estudo interfere diretamente na metodologia que deve
ser utilizada. Há, por exemplo, diferenças entre o ritmo de evolução de um
processo que tem como objetivo conceber um produto novo daquele
experimento que procura otimizar uma característica específica de um produto
já existente (CARPINETTI, 2009).
42
Barros Neto et al. (2010) ressaltam ainda que existem modelos empíricos
e mecanísticos; estes buscam descrever os processos através da redução ao
menor número possível de leis, enquanto que aqueles buscam descrever os
processos em uma certa região experimental sob investigação com base em
evidências. Os vários tipos de planejamentos de experimentos são nada mais do
que modelos empíricos.
A seguir são apresentados brevemente o Planejamento Fatorial
Fracionário e Planejamento Composto Central. Existem ainda muitos outros
tipos de planejamento de experimento como o método de Taguchi, o quadrado
latino, o quadrado greco-latino, entre outros. Contudo, como estes não são
relevantes para o trabalho aqui apresentado, não serão abordados.
2.4.1 Planejamento Fatorial Fracionário
São utilizados normalmente quando os planejamentos fatoriais completos

se tornam inviáveis, já que um grande número de fatores acarreta em uma
quantidade bem maior de experimentos que devem ser realizados. Deste
problema surge o Planejamento Fatorial Fracionário, que consiste basicamente
na avaliação dos resultados através de um menor número de ensaios. É possível
tal feito através de duas características: i) a possibilidade de descarte de alguns
resultados simplesmente porque seus valores ou efeitos se mostram
desprezíveis; ii) com a crescente do número de fatores também aumenta a
chance de alguns destes não afetarem de maneira significativa as variáveis de
saída e, por este motivo, não valem a pena serem analisados (MARINHO, DE
CASTRO, 2005).
2.4.2 Planejamento Composto Central
Segundo Carpinetti (2009, p. 198), o Planejamento Composto Central

CCD (do inglês, Central Composite Design): “é uma técnica de planejamento
usada para aproximação matemática de modelos não lineares”. O CCD consiste
no acréscimo de dois novos conceitos aos já conhecidos pontos fatoriais. São
utilizados 2k pontos fatoriais com localizações obtidas a partir da combinação dos
fatores, 2k pontos axiais, com localização igual a (+𝛼, 0, ..., 0), (0, + 𝛼, ..., 0), ...,
(0, 0, ..., + 𝛼), além de 2nc pontos centrais com localizações (0; 0), (0; 0)., (0; 0).
O termo axial “𝛼” é calculado através da seguinte equação (Eq. 2.7):
43
𝛼 = 2𝑘/4 (Eq. 2.7)
A Figura 2.11 ilustra este tipo de planejamento em sua forma mais simples
possível, quando k=2.
Figura 2.11: Planejamento Composto Central para k=2.
Fonte: Resende e da Silva (2017).
Analisando a Figura 2.11, entende-se que os 2k pontos axiais são

alocados nos ângulos de 0º, 90º, 180º, 270º da circunferência e possuem como
coordenadas os seguintes valores: (-1,414; 0), (1,414; 0), (0; -1,44), (0; 1,414),
cujo “𝛼” é igual a raiz de 2 = 1,414. Enquanto isso, os pontos fatoriais formam o
retângulo de coordenadas (-1, -1); (+1, -1); (-1, +1); (+1, +1). A partir desses
pontos podemos montar uma matriz de planejamento para então começar os
experimentos.
Como dito anteriormente o planejamento composto central é uma
ampliação do planejamento fatorial 2k, ou seja, ele o engloba. Este planejamento
é muito usado em modelagens de segunda ordem que são aquelas que usam
equações do segundo grau ao invés de equações lineares como as que foram
mostradas anteriormente no tópico sobre modelos de regressão. As vantagens
da aplicação deste modelo estão na maximização da rotabilidade e
ortogonabilidade, além da minimização da variabilidade dos coeficientes
44
(CARPINETTI, 2009). A rotacionalidade afeta a exatidão dos pontos situados na

circunferência circunscrita do planejamento. Por sua vez, a ortogonabilidade tem
como principal função eliminar erros sistemáticos (MONTGOMERY, RUNGER,
2016).
2.5 SOFTWARES PARA PLANEJAMENTO EXPERIMENTAL
Os cálculos estatísticos para planejar e analisar os experimentos ficam

cada vez mais complicados e trabalhosos à medida que o número de fatores e
níveis aumentam. Eles então se tornam cada vez mais suscetíveis a erros
humanos. Felizmente, para resolver esse problema atualmente existem vários
softwares para planejamento e análise de experimentos disponíveis no mercado.
De acordo com Resende e da Silva (2017), durante seus estudos sobre
experimentos aplicados à engenharia, os autores notaram que a maior parte dos
trabalhos publicados em anais de congressos, periódicos e revistas da área de
engenharia utilizam ferramentas consolidadas de Planejamento de Experimento
que, predominantemente são softwares proprietários como Statistica®,
MiniTab®, além de aplicação para o MS Excel® por meio de pacotes de
extensão, entre outros.
A seguir é apresentada uma tabela comparativa (Tabela 2.7) de alguns
softwares disponíveis no mercado para fazer análises estatísticas, as quais
incluem os planejamentos de experimentos.
Tabela 2.7: Comparação de softwares para DOE.

Software Vantagens Desvantagens
LibreOffice Calc -Software livre de fácil manuseio -Possui recursos limitados
(DOE4u)
JMP® -Interface amigável -Gratuito para teste por apenas

-Permite executar os planejamentos 30 dias.
de experimentos mais usuais -Requer Licença para o uso.
Statística® -Interface amigável -Gratuito para teste por apenas
- Permite executar vários tipos de 30 dias.
planejamentos de experimentos -Requer Licença para o uso.
45
MiniTab® -Interface amigável -Gratuito para teste por apenas

- Permite executar vários tipos de 30 dias.
planejamentos de experimentos -Requer Licença para o uso.
MS Excel® -Software de fácil utilização -Requer Licença para o uso.
-Fácil de aprender por ser popular e -Requer Instalação de Pacotes
haver vários tutoriais disponíveis para que se possa conduzir
planejamentos de experimentos.
R Project® -Abrange uma grande categoria de -Possui como requisito a
experimentos linguagem de programação para
-Software livre manuseio do software
- É uma ferramenta poderosa para
aqueles que sabem programar -Não possui interface amigável
Scilb® -Capacidade de processamento -Possui como requisito a
gráfica linguagem de programação
-Software livre para manuseio do software
-Não possui interface amigável
-Requer Instalação de Pacotes.
MATLAB® -Capacidade de processamento -Possui como requisito a
gráfica linguagem de programação
- Possui mais funcionalidades que o para manuseio do software
Scilab, seu principal concorrente -Não possui interface amigável
-Requer Licença para o uso.
-Requer Instalação de Pacotes.
Fonte: Própria (2021)
46
3 METODOLOGIA
3.1 OS ARTIGOS ESCOLHIDOS PARA REANÁLISE
Foram escolhidos dois artigos para reanálise: Kechagias et al. (2019) e

Camposeco-Negrete (2014). O primeiro fez um planejamento fatorial completo
33 enquanto que o segundo fez um planejamento por composto central.
Os planejamentos foram refeitos usando um planejamento 2³. Este tipo de
planejamento permite apenas uma análise univariada, ou seja, a resposta deve
ser uma variável única ou cada resposta deve ser analisada separadamente. Os
artigos analisados utilizaram mais de uma resposta, porém, em cada um deles
foi escolhida apenas uma variável resposta, uma vez que seria redundante
aplicar o mesmo processo de reanalise para todas as respostas.
Para este trabalho, optou-se por utilizar um software de planejamento de
experimentos, já que ele facilita bastante as análises. O software escolhido para
tratar os dados foi o Statistica® pelo fato de ser um programa completo e fácil de
usar, além de que foi obtido acesso a uma versão de teste de 30 dias por meio
de contato com representante comercial da empresa StatSoft, a qual é
proprietária deste programa de computador.
Usando o software Statistica foram geradas tabelas ANOVA para
identificar quais foram os fatores significantes, foram plotados gráficos de
superfície e obtidos os coeficientes dos fatores significativos das equações de
predição.
Por sua vez, o software livre Scilab foi utilizado para plotar superfícies de
resposta a partir de equações de predição, uma vez que é mais viável a
realização deste procedimento nele do que no Statistica. Foi obtido acesso a um
algoritmo de terceiros, o qual facilitou a plotagem dos gráficos. Seu código se
encontra no Anexo A.
A Figura 3.1 a seguir ilustra visualmente como foi o processo por
completo. Já na Figura 3.2 é ilustrada como foi feita a reanálise do artigo de
Kechagias et al. (2019), onde foi utilizado originalmente um Planejamento
Fatorial Completo de três níveis, o qual foi racionalizado para dois níveis.
47
Figura 3.1: Fluxograma mostrando como os dois artigos foram reanalisados.
Fonte: Própria (2021).
Figura 3.2: Fluxograma apresentando o método original do artigo à esquerda e o

método proposto para racionalização à direita.

48
E, por sua vez, é apresentado na Figura 3.3 o fluxograma mostrando a

análise original do artigo de Camposeco-Negrete (2014), feita através do
Planejamento Composto Central (CCD), a qual foi reduzida, assim como o artigo
anterior, a um Planejamento Fatorial Completo de dois níveis.
Figura 3.3: Fluxograma apresentando o método original do artigo à esquerda e o

método proposto para racionalização à direita.

49
4 RESULTADOS E DISCUSSÃO
A seguir é mostrado como os dados de cada artigo foram reaproveitados

para fazer uma nova análise usando o planejamento fatorial 2 3.
4.1 ADEQUAÇÃO DO PLANEJAMENTO 33 PARA 23
4.1.1 O Planejamento 33
Kechagias et al. (2019) propuseram um planejamento de experimento

fatorial completo 33 para estudar como a rotação, o avanço e a profundidade de
corte afetam a força de corte e a rugosidade de uma liga de titânio (Ti-6Al-4V-
ELI), considerada um material difícil de usinar.
A resposta escolhida para reanálise foi a força de corte. Os autores
concluíram que os parâmetros de corte que mais afetam a força de corte são a
profundidade de corte e o avanço. A rotação não tem uma influência significante.
A Tabela 4.1 a seguir apresenta os fatores, assim como os níveis que os
autores adotaram para cada um deles.
Tabela 4.1: Fatores do planejamento 33.

níveis
Parâmetros
2 3
1
n (rpm) 420 600 850
Rotação
s (mm/rev) 0,1 0,18 0,33
Avanço
a (mm) 0,5 1 1,5
Profundidade de corte
Fonte: Adaptado de Kechagias et al. (2019).
A seguir, na Tabela 4.2, está a matriz de planejamento originalmente

usada para conduzir os experimentos.
Tabela 4.2: Matriz de planejamento 33.
Teste n (rpm) s (mm/ver) a (mm) Fc (N)
1 420 0,1 0,5 140
2 420 0,1 1 258
3 420 0,1 1,5 370
4 420 0,18 0,5 236
5 420 0,18 1 410
6 420 0,18 1,5 570
50
7 420 0,33 0,5 284

8 420 0,33 1 564
9 420 0,33 1,5 840
10 600 0,1 0,5 120
11 600 0,1 1 226
12 600 0,1 1,5 318
13 600 0,18 0,5 182
14 600 0,18 1 350
15 600 0,18 1,5 502
16 600 0,33 0,5 270
17 600 0,33 1 538
18 600 0,33 1,5 760
19 850 0,1 0,5 132
20 850 0,1 1 240
21 850 0,1 1,5 330
22 850 0,18 0,5 200
23 850 0,18 1 352
24 850 0,18 1,5 500
25 850 0,33 0,5 288
26 850 0,33 1 562
27 850 0,33 1,5 800
Com base nos dados obtidos, os autores construíram a seguinte tabela

ANOVA (Tabela 4.3).
Tabela 4.3: tabela ANOVA para força de corte.

Fator SQ GL QM F p-valor
n (rpm) 9471 2 4735,3 1,212 0,3185
s (mm/rev) 430408 2 215204,1 55,087 0,00
a (mm) 547520 2 273760,1 70,076 0,00
Erro 78132 20 3906,6
Total 1065531 26

51
Analisando a tabela ANOVA, mais especificamente a coluna do p-valor,

os autores concluíram que a variável de entrada rotação n (rpm), para o nível de
confiança estipulado de 95%, não atingiu significância para o p-valor, visto que
para esta grandeza p-valor > 0,05. Isto se deve ao fato de que quando a
profundidade de corte (ap) e o avanço (f) aumentam, a área da seção de corte
se torna maior e dessa maneira aumenta o volume de material que precisa ser
retirado e, portanto, aumenta a força resistente que o material a ser usinado
oferece, e conforme a terceira lei de Newton, para compensá-la a força de corte
deve aumentar também (FERRARESI, 1969)
O artigo original não criou uma tabela para os coeficientes, mas com o
auxílio do software Statistica® ela foi construída conforme mostrado a seguir na
Tabela 4.4. É importante ressaltar que apenas os coeficientes dos fatores
significantes foram utilizados já que eles são os que realmente contribuem para
a resposta do modelo.
Tabela 4.4: Coeficientes baseados no planejamento 33.

Fator Coeficiente Codificação Efeito
média 𝛽0 397,852 - 397,852
f (mm/rev.) 𝛽1 154,000 X1 308,000
ap (mm) 𝛽2 174,333 X2 348,667
Nessas condições, a equação de predição é dada por:
𝑧𝑜 = 397,852 + 154𝑥1 + 174,333𝑥2 (Eq. 4.1)
Visando também fazer uma análise qualitativa, foram plotados os gráficos

das superfícies de resposta utilizando, mais uma vez o software Statistica®, o
qual usa, internamente, a Eq. 4.1 acima para plotar os gráficos.
52
Figura 4.1: Gráfico de superfície do planejamento 33 para n vs f.
Figura 4.2: Gráfico de superfície do planejamento 33 para n vs ap.

53
Figura 4.3: Gráfico de superfície do planejamento 33 para f vs ap.
Conforme era esperado, os gráficos das Figuras 4.1 e 4.2 mostram que a
rotação é uma variável não significativa, uma vez que as linhas coloridas são
aproximadamente paralelas ao eixo n. Este fato já havia sido constatado por
meio da tabela ANOVA.
A seguir é mostrada a Tabela 4.5 com os fatores apenas em dois níveis.

Ela foi feita reaproveitando os dados do artigo original.
Tabela 4.5: Fatores do planejamento 2³.

Níveis
Parâmetros
+1
-1
n (rpm) 420 850
Rotação
s (mm/rev) 0,1 0.33
Avanço
Profundidade ap (mm) 0.5 1.5
de corte
54
Com base na proposta de racionalização, o planejamento foi

reestruturado de 33 para 23, conforme disposto na Tabela 4.6. Nota-se que a
exploração de três fatores à dois níveis cada reduziu o número de testes de 27
corridas para 8 corridas, ambos em bloco unitário.
Tabela 4.6: Matriz de planejamento adaptada para 23.

Teste n (rpm) f (mm/ver) ap (mm) Fc (N)
1 420 0,1 0.5 140
2 850 0,1 0.5 132
3 420 0.33 0.5 284
4 850 0.33 0.5 288
5 420 0,1 1.5 370
6 850 0,1 1.5 330
7 420 0.33 1.5 840
8 850 0.33 1.5 840
Com base nos fatores apresentados anteriormente, foi produzida a tabela

ANOVA (Tabela 4.7) com o auxílio do software Statistica®. Pela extração das
respostas da faixa experimental dessa publicação, a força de corte Fc (N) foi
influenciada pela profundidade de corte ap (mm) e avanço f (mm/rev) com
significância estatística p-valor < 0,05, enquanto a rotação n (rpm) não
apresentou significância para o mesmo critério. Foi então obtida a mesma
conclusão que no planejamento original 33.
Tabela 4.7: Tabela ANOVA da força de corte (Fc) adaptada para 23.
n (rpm) 822,0 1 822,0 49,00 0,090334
f (mm/ver) 192200,0 1 192200,0 10677,78 0,006161
ap (mm) 279752,0 1 279752,0 15541,78 0,005106
n*f 18,0 1 18,0 1,00 0,500000
n*ap 722,0 1 722,0 40,11 0,099696
f*ap 51200,0 1 51200,0 2844,44 0,011935
55
Erro 18,0 1 18,0

Total 524792,0 7
O software também foi usado para calcular os coeficientes significativos

do modelo de regressão, os quais são mostrados na Tabela 4.8 a seguir.
Tabela 4.8: Coeficientes baseados no planejamento de 23.

média 𝛽0 398,0 - 398.0
f (mm/rev.) 𝛽1 155,0 x1 310.0
ap (mm) 𝛽2 187,0 x2 374.0
f * ap 𝛽12 80.0 x1*x2 160.0
A equação de predição é, então, dada por:
𝑧𝑟 = 398 + 155𝑥1 + 187𝑥2 + 80𝑥1 ∙ 𝑥2 (Eq. 4.2)
Os gráficos obtidos para as superfícies de resposta são mostrados nas

Figuras 4.4, 4.5 e 4.6.
Figura 4.4: Gráfico de superfície do planejamento 2³ para n vs f.

56
Figura 4.5: Gráfico de superfície do planejamento 23 para n vs ap.
Figura 4.6: Gráfico de superfície do planejamento 23 para f vs ap.

57
Novamente, através da análise dos gráficos das figuras 4.4 e 4.5, conclui-
se que a rotação (n) não é significante, já que as linhas coloridas são
aproximadamente paralelas ao eixo n. Uma vez que a rotação não tem
significância ela será praticamente a mesma para 33 e 23.
4.1.3 Avaliação da racionalização
Como maneira de avaliar a eficiência de um racionamento de experimento

é proposto o seguinte critério: a racionalização vale a pena ser feita quando a
distância, ponto a ponto, entre os gráficos das superfícies do planejamento
original e do planejamento racionalizado for menor que o menor efeito principal
significativo em módulo. O menor efeito principal deve ser considerando entre os
efeitos significantes do planejamento original e o do racionalizado.
Este critério pode ser formalizado matematicamente conforme a seguir:
Seja 𝜎𝑎𝑏𝑠 a diferença entre a equação de predição do experimento original
e o do racionalizado, ou seja:
𝜎𝑎𝑏𝑠 = 𝑧𝑟 − 𝑧𝑜 (Eq. 4.3)
A expressão 𝜎𝑎𝑏𝑠 é uma função que pode ter duas ou mais variáveis, uma
vez que para fazer um experimento é necessário ter pelo menos dois fatores.
Caso haja três ou mais fatores só será possível plotar os gráficos de superfície
tomando os fatores aos pares e fixando os valores dos outros entre seus
respectivos níveis maiores e menores. Se para um mesmo par de fatores forem
construídos e sobrepostos os gráficos das superfícies do planejamento original
e o do racionalizado, dizer que todas as distâncias entre pontos dessas
superfícies devem ser menores que o menor efeito principal em módulo,
equivale, matematicamente a Eq. 4.4
Máx (|𝜎𝑎𝑏𝑠 |) < | Menor Efeito Principal Significativo | (Eq. 4.4)
Os gráficos de superfície de 𝜎𝑎𝑏𝑠 podem ser plotados utilizando os fatores

aos pares, e em cada um desses gráficos a condição da Eq. 4.4 acima deve ser
respeitada.
58
A razão para esta escolha se deve ao fato que cada efeito contribui na
resposta com determinada amplitude. Os fatores não significantes têm uma
contribuição ínfima em relação aos significantes e, portanto, podem ser
desprezados. Dentre os efeitos significativos, a contribuição dos efeitos das
interações e quadráticos geralmente é menor que a dos efeitos principais. Sendo
assim, é razoável definir que o menor efeito, em módulo, entre os efeitos
principais significativos pode ser utilizado como critério para avaliar se a
diferença entre os gráficos de superfície do planejamento original e do
racionalizado é aceitável.
Em uma situação com três fatores significativos tem-se três gráficos de
superfícies para 𝜎𝑎𝑏𝑠 , já que há três combinações possíveis entre tais fatores.
O artigo em questão, por ter apenas duas variáveis significantes, terá
apenas um gráfico de superfície, o que facilita as análises. Neste caso, teremos:
𝜎𝑎𝑏𝑠 = 0,148 + 𝑥1 + 12,667𝑥2 + 80𝑥1 ∙ 𝑥2 (Eq. 4.5)
Consultando as Tabelas 4.4 e 4.8 (que mostram os coeficientes dos

planejamentos 33 e 23) foi constatado que o menor efeito principal significativo é
o do avanço (f) no experimento 33, sendo de 308. Para encontrar o valor máximo
em módulo que a Eq. 4.5 pode ter, foi empregada uma rotina no Scilab, a qual
se encontra no Anexo A. Após utilizar esta rotina foi obtido 𝜎𝑎𝑏𝑠 = 179,48. Uma
vez que esse valor é menor que o valor do menor efeito principal significativo
(308), conclui-se que o racionamento vale a pena. A Figura 4.7 ilustra o gráfico
de superfície para a Eq. 4.5.
59
Figura 4.7: gráfico de superfície para 𝜎𝑎𝑏𝑠 .
Desse modo, os autores do artigo analisado neste tópico realizaram mais

experimentos do que o necessário. Sob esta lógica, as mesmas conclusões,
como por exemplo quais fatores são significantes, poderiam ter sido obtidas
fazendo apenas 8 experimentos, ao invés de 27. Isto reforça a importância de
começar a modelagem de um processo com um planejamento mais simples,
para filtrar os fatores significantes e só então estudá-los mais afundo com outros
planejamentos mais elaborados.
4.2 ADEQUAÇÃO DO PLANEJAMENTO CCD PARA 23
4.2.1 O Planejamento CCD
Camposeco-Negrete (2014) propôs um planejamento de experimento

com base no Planejamento Composto Central (CCD) para estudar como o
avanço, a profundidade de corte e a velocidade de corte deveriam ser ajustados
para minimizar o consumo de energia e maximizar a qualidade de corte no
torneamento de uma liga de alumínio (AISI 6061 T6).
A resposta escolhida para reanálise foi a energia específica (SE). A autora
concluiu que o avanço e profundidade de corte foram os fatores mais
significativos para minimizar a energia específica total consumida. A velocidade
de corte, portanto, não é significativa.
A tabela 4.9 a seguir apresenta os fatores utilizados na análise, assim
como seus respectivos níveis.
60
Tabela 4.9: Fatores do Planejamento CCD.

Níveis (variáveis Fatores
codificadas) ap [mm] f [mm/rev] Vc [m/min]
-1,68 0,66 0,12 266
-1 1,00 0,15 300
0 1,50 0,2 350
1 2,00 0,25 400
1,68 2,34 0,28 434
Fonte: Adaptado de Camposeco-Negrete (2014).
A seguir está a matriz de planejamento originalmente usada para conduzir

os experimentos (Tabela 4.10).
Tabela 4.10: Matriz de planejamento CCD.

Teste ap (mm) f (mm/ver) vc (m/min) SE (J/mm³)
1 1.00 0.15 300 294.77
2 2.00 0.15 300 96.32
3 1.00 0.25 300 143.37
4 2.00 0.25 300 48.99
5 1.00 0.15 400 274.31
6 2.00 0.15 400 90.61
7 1.00 0.25 400 137.16
8 2.00 0.25 400 46.64
9 0.66 0.20 350 367.32
10 2.34 0.20 350 55.25
11 1.50 0.12 350 203.93
12 1.50 0.28 350 60.75
13 1.50 0.20 266 110.72
14 1.50 0.20 434 96.65
15 1.50 0.20 350 100.71
16 1.50 0.20 350 102.12
17 1.50 0.20 350 96.36
18 1.50 0.20 350 98.34
61
19 1.50 0.20 350 96.43

20 1.50 0.20 350 95.48
Fonte: Adaptado de Camposeco-Negrete (2014).
Com base nos dados obtidos, foi elaborada a seguinte tabela ANOVA
usando o Statistica®.
Tabela 4.11: Tabela ANOVA para energia específica (SE).

ap (mm) (L) 87285,7 1 87285,70 412,6627 0,000000
ap (mm) (Q) 20321,8 1 20321,83 96,0760 0,000002
f (mm/rev) (L) 28262,6 1 28262,61 133,6179 0,000000
f (mm/rev) (Q) 1309,7 1 1309,65 6,1917 0,032083
Vc (m/mm) (L) 249,7 1 249,68 1,1804 0,302769
Vc (m/mm) (Q) 4,9 1 4,89 0,0231 0,882169
ap(L)*f(mm/rev)(L) 4863,4 1 4863,45 22,9930 0,000729
ap(L)*Vc(m/mm)(L) 43,3 1 43,29 0,2047 0,660633
f(mm/rev)*Vc(m/mm)(L) 38,8 1 38,76 0,1833 0,677655
Erro 2115,2 10 211,52
Total 144130,1 19
Analisando a tabela ANOVA, mais especificamente a coluna do p-valor,

os autores concluíram que o fator velocidade de corte Vc (m/mm), para o nível
de confiança estipulado de 95%, não atingiu significância para o p-valor, visto
que para esta grandeza p-valor > 0,05.
O artigo original trazia uma tabela para os coeficientes, porém eram
apresentados coeficientes de fatores não significantes. Uma vez que nesse
trabalho só interessa os fatores significativos, foi criado a Tabela 4.12 abaixo
mostrando apenas os coeficientes de fatores significantes.
62
Tabela 4.12: Coeficientes baseados no planejamento CCD.

média 𝛽0 98,845 - 98,845
ap (mm) 𝛽1 -79,981 X1 -159,962
f(mm/rev) 𝛽2 -46,413 X2 -92,826
ap*ap 𝛽11 37,541 X1*X1 75,082
ap*f 𝛽12 24,656 X1*X2 49,313
f*f 𝛽22 10,291 X2*X2 20,583
Fonte: Fonte: Adaptado de Camposeco-Negrete (2014).
Nessas condições, a equação de predição é dada por:

𝑧𝑜 = 98,845 − 79,981𝑥1 − 46,413𝑥2 + 37,541𝑥12 + 24,656𝑥1 . 𝑥2 +
10,291𝑥22 (Eq. 4.6)
Visando também fazer uma análise qualitativa, foram plotados os gráficos

das superfícies de resposta utilizando, mais uma vez o software Statistica®, o
qual usa, internamente, a Eq. 4.6 para plotar os gráficos.
Figura 4.8: Gráfico de superfície do planejamento CCD para ap vs f.

63
Figura 4.9: Gráfico de superfície do planejamento CCD para ap vs Vc.
Figura 4.10: Gráfico de superfície do planejamento CCD para f vs Vc.

64
Conforme era esperado, os gráficos das Figuras 4.9 e 4.10 mostram que
a velocidade de corte (Vc) é uma variável não significativa, uma vez que as linhas
coloridas são aproximadamente paralelas ao eixo Vc. Este fato já havia sido
constatado por meio da tabela ANOVA.
A seguir é mostrada a Tabela 4.13 com os fatores apenas em dois níveis.

Ela foi feita reaproveitando os dados do artigo original.
Tabela 4.13: Fatores do planejamento 2³.

Níveis
Parâmetros
+1
-1
Vc (m/min) 300 400
Velocidade de
Corte
f (mm/rev) 0,15 0,25
Avanço
Profundidade ap (mm) 1,0 2,0
de corte
Com base na proposta de racionalização, o planejamento foi

reestruturado de CCD para 23, conforme disposto na Tabela 4.14. Nota-se que
a exploração de três fatores à dois níveis cada reduziu o número de testes de 20
corridas para 8 corridas, ambos em bloco unitário.
Tabela 4.14: Matriz de planejamento adaptada para 2³.

ap (mm) f (mm/ver) Vc (mm) E (J/mm³)
1,0 0,15 300 294,77
2,0 0,15 300 96,32
1,0 0.25 300 143,37
2,0 0.25 300 48,99
1,0 0,15 400 274,31
2,0 0,15 400 90,61
1,0 0.25 400 137,16
2,0 0.25 400 46,64

65
Com base nos fatores apresentados anteriormente, foi produzida a tabela

ANOVA (Tabela 4.15) com o auxílio do software Statistica®. Pela extração das
respostas da faixa experimental dessa publicação, a energia específica SE
(J/mm3) foi influenciada pela profundidade de corte ap (mm) e avanço f (mm/rev)
com significância estatística p-valor < 0,05, enquanto a velocidade de corte Vc
(m/min) não apresentou significância para o mesmo critério. Foi então obtida a
mesma conclusão que no planejamento original CCD.
Tabela 4.15: Tabela ANOVA da energia específica (SE) adaptada para 2³.
n (rpm) 40193,21 1 40193,21 2711,359 0,012225
f (mm/ver) 18035,75 1 18035,75 1216,658 0,018246
ap (mm) 150,77 1 150,77 10,171 0,193438
n*f 4863,45 1 4863,45 328,079 0,035112
n*ap 43,29 1 43,29 2,920 0,337054
f*ap 38,76 1 38,76 2,615 0,352584
Erro 14,82 1 14,82
Total 63340,06 7
O software também foi usado para calcular os coeficientes do modelo de

regressão, os quais são mostrados na Tabela 4.16 a seguir.
Tabela 4.16: Coeficientes baseados no modelo racionalizado 2³.

média 𝛽0 141,521 - 141,521
ap (mm) 𝛽1 -70,881 X1 -141,763
f(mm/rev) 𝛽2 -47,4812 X2 --94,962
ap*f 𝛽12 24,656 X1*X2 49,313
A equação de predição (Eq. 4.7) é, então, dada por:
𝑧𝑟 = 141,521 − 70,881𝑥1 − 47,481𝑥2 + 24,656𝑥1 ∙ 𝑥2 (Eq. 4.7)

66
Os gráficos obtidos para as superfícies de resposta são mostrados nas

Figuras 4.11, 4.12 e 4.13.
Figura 4.11: Gráfico de superfície do planejamento 2³ para ap vs f.
Figura 4.12: Gráfico de superfície do planejamento 2³ para ap vs Vc.

67
Figura 4.13: Gráfico de superfície do planejamento 23 para f vs Vc.
Novamente, através da análise dos gráficos das figuras 4.12 e 4.13

conclui-se que a velocidade de corte não é significante, já que as linhas coloridas
são aproximadamente paralelas ao eixo Vc.
4.1.3 Avaliação da racionalização
O artigo em questão, assim como o anterior tem apenas duas variáveis

significantes. Logo ele terá apenas um gráfico de superfície, o que facilita as
análises. Assim, teremos:
𝜎𝑎𝑏𝑠 = 42,676 + 9,1𝑥1 − 1,068𝑥2 − 37,541𝑥12 + 10,291𝑥22 (Eq. 4.8)
Consultando as Tabelas 4.12 e 4.16 (que mostram os coeficientes dos

planejamentos CCD e 23) foi constatado que o menor efeito principal significativo
é o do avanço (f) no experimento CCD, sendo de 92,826.
Para encontrar o valor máximo em módulo que a Eq. 4.8 pode ter, foi
empregada uma rotina no Scilab, a qual se encontra no Anexo A. Após utilizar
esta rotina foi obtido 𝜎𝑎𝑏𝑠 = 67,37. Uma vez que esse valor é menor que o valor
68
do menor efeito principal significativo (92,826), conclui-se que o racionamento

vale a pena. A Figura 4.14 ilustra o gráfico de superfície para a Eq. 4.8.
Figura 4.14: gráfico de superfície para 𝜎𝑎𝑏𝑠 .

.
Desse modo, os autores do artigo analisado neste tópico realizaram mais

experimentos do que o necessário. Sob essa lógica, as mesmas conclusões,
como por exemplo quais fatores são significantes, poderiam ter sido obtidas
fazendo apenas 8 experimentos, ao invés de 20. Isto reforça a importância de
começar a modelagem de um processo com um planejamento mais simples,
para filtrar os fatores significantes e só então estudá-los mais afundo com outros
planejamentos mais elaborados.
69
5 CONCLUSÃO
Os resultados obtidos reforçam a importância de escolher um

planejamento adequado para começar os experimentos. Utilizar técnicas mais
avançadas logo no começo do estudo de um processo pode acarretar em
desperdício de tempo e de recursos, tanto materiais quanto financeiros e
humanos.
Os autores dos artigos analisados poderiam ter feito uma investigação
preliminar mais simples para descobrir quais fatores afetam mais
significativamente as respostas. Após identificá-los poderiam dispender mais
sabiamente seus recursos em outros estudos mais detalhados sobre eles.
Foi ainda proposto um critério, baseado na Metodologia de Superfície de
Resposta, para avaliar se uma certa racionalização do número de experimentos
a ser realizados não acarreta em perda significativa de informações sobre a
dinâmica de um processo estudado. No caso dos dois artigos analisados,
concluiu-se que a racionalização valeu a pena.
Como propostas para trabalhos futuros são sugeridas:
1. Após as análises iniciais mais simples, utilizar a similitude para
fazer modelagens matemáticas dos processos e compará-las com
as modelagens obtidas por modelos de regressão e superfícies de
resposta.
2. Fazer a otimização dos processos utilizando uma abordagem
analítica dos modelos de regressão obtidos.
3. Criar um aplicativo para celular capaz de fazer planejamentos de
experimentos mais simples, propiciando praticidade e
conveniência para seus usuários. O aplicativo permitiria uma
triagem de fatores significativos para que depois eles possam ser
estudados mais a fundo. Dessa maneira, recursos não seriam mal-
empregados com experimentos desnecessários.
70
REFERÊNCIAS BIBLIOGRÁFICAS
AIJALA, J. C.; WU, W.; DECAPRIO, A. P. Application of statistical design of

experiments to assess pre-treatment parameters in forensic hair analysis for
amphetamine. Forensic Chemistry, v. 20, agosto 2020, 100265.
https://doi.org/10.1016/j.forc.2020.100265
BARROS NETO, B. de; SCARMINO, I. S.; BRUNS, R. E. Como Fazer

Experimentos: Pesquisa e Desenvolvimento na Ciência e na Indústria. 4. ed.
Porto Alegre: Bookman, 2010.
BOX, G. E. P.; HUNTER, W. G.; HUNTER, J. S., Statístics for Experiments, J.

Wiley & Sons, 1978.
BUTTON, Prof. Dr. S. T. Metodologia para planejamento experimental e análise

de resultados. Dissertação de Pós-Graduação, Universidade Estadual de
Campinas, Campinas – SP, 2016. 88 f.
CARPINETTI, Prof. Dr. L. C. R. Planejamento e Análise de experimentos.

Universidade de São Paulo, São Carlos-SP, 2009. 222 f.
CAMPOS, P. H. da S.; DE PAIVA, A. P.; FERREIRA, J. R.; BALESTRASSI, P.

P. Modelagem da rugosidade (RA, RT) no torneamento duro com cerâmica mista
alisadora utilizando projetos de experimentos (DOE). XXXI Encontro Nacional de
Engenharia de Produção, Inovação Tecnológica e Propriedade Intelectual:
Desafios da Engenharia de Produção na Consolidação do Brasil no Cenário
Econômico Mundial. Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
CAMPOSECO-NEGRETE, C. Optimization of cutting parameters using

Response Surface Method for minimizing energy consumption and maximizing
cutting quality in turning of AISI 6061 T6 aluminum. Journal of Cleaner Prodution,
91 (2015) 109-117. https://doi.org/10.1016/j.jclepro.2014.12.017.
71
DE OLIVEIRA, A. E. Design and Analysis of Experiments - Part IX: Response

Surface Methodology. Material de aula. Disponível
em:<https://anselmo.quimica.ufg.br/up/56/o/DOE_P9_rsm.pdf>. Acesso em: 26
fev. de 2021.
DE OLIVEIRA, L. G.; DE PAIVA, A. P.; BALESTRASSI, P. P.; FERREIRA, J. R.;

DA COSTA, S. C.; CAMPOS, P. H. da S. Response surface methodology for
advanced manufacturing technology optimization: theoretical fundamentals,
practical guidelines, and survey literature review. The International Journal of
Advanced Manufacturing Technology (2019) 104:1785–1837.
https://doi.org/10.1007/s00170-019-03809-9
FERRARESI, D. Fundamentos da Usinagem dos Metais. Editora Edgard

Blucher, São Carlos , agosto de 1969.
GRANATO, D.; CALADO, V. M, de A. The Use and Importance of Design of

Experiments (DOE) in Process Modelling in Food Science and Technology.
Mathematical and statistical methods in food science and technology (2013): p.
1-18.
KECHAGIAS, J. D.; ASLANI, K-E. FOUNTAS, N. A.; VAXENANIDIS, N. M;

MANOLAKOS, D. E. A comparative investigation of Taguchi and full factorial
design for machinability prediction in turning of a titanium alloy. Measurement 151
(2019) 107213. https://doi.org/10.1016/j.measurement.2019.107213
MARINHO, M. R. M.; DE CASTRO, W. B. Planejamento fatorial: uma ferramenta

poderosa para os pesquisadores. XXXII Congresso Brasileiro de Ensino de
Engenharia, Campina Grande-PB, 2005.
MONTGOMERY, D.C. Design and Analysis of Experiments. John Wiley & Sons,
Inc.,Eight Edition, Arizona State University, 2013. 757 f.
MONTGOMERY, C. D.; RUNGER, G. C. Estatística Aplicada e Probabilidade

para Engenheiros. 6a.ed. Rio de Janeiro-RJ: LTC, 2016.
72
OLIVEIRA, Bruno. Como Interpretar Uma Análise De Variância (Anova)?. 2019.

Disponível em:<https://operdata.com.br/blog/como-interpretar-analise-de-
variancia-anova/>. Acesso em: 24 fev. 2021.
RESENDE, P. V. S.; DA SILVA, S. N. (2017). Desenvolvimento da Ferramenta

Livre DOE4u para Planejamento Experimental: Fatorial Completo e Composto
Central. Trabalho de Conclusão de Curso, Departamento IV, Coordenação de
Mecânica, Instituto Federal de Educação, Ciência e Tecnologia de Goiás,
Goiânia, Goiás.
RESENDE, P. V. da S.; SIQUEIRA, I. L.; ARENCIBIA, R. V.; DA SILVA, M. B.

Aplicação do método GUM no cálculo de incerteza de medição da força de corte
no torneamento. 10º Congresso Brasileiro de Engenharia de Fabricação, 05-07
de agosto de 2019, São Carlos, SP, Brasil.
RESENDE, P. V. da S.; SIQUEIRA, I. L.; LIMA JÚNIOR, S. G.; DA COSTA, V. A.

G. M. Considerações sobre potências elétricas no torneamento convencional.
XXIII Colóquio de Usinagem, 12-13 de dezembro de 2019, Uberlândia, MG,
Brasil.
73
ANEXO A
// Plotagem de diferença entre duas superfícies obtidas por métodos distintos de

Planejamento de Experimentos
//Autores:
// 1) prof. Dr. ILDEU L. Siqueira (IFG - Campus Goiania)
// 2) Paulo Vinicius da S. Resende (Eng. Mecanico, tec. IFG - Campus Goiania)
// data:
// versao 1 - 6 mar. 2021 - superficie resposta e curvas de nível para experimentos
2^3 com o modelo generalizado
// Inicializacao de sistema
clear; xdel(winsid()); clc; clf(gcf(),'reset');
//dados obtidos pelo Statistica a partir do planejamento 3k (original do artigo)

B0 = 398.48 ;
B1 = 14.45;
B11 = 33.54;
B2 = 154.23;
B22 = -24.96;
B3 = 181.74;
B33 = -8.78;
B12 = 4.30;
B13 = -8.58;
B23 = 77.6;
// não mude a rotina a partir deste ponto

//FUNÇÃO PARA PLOTAR RESPOSTA EM TERMOS DE X1 E X2
function z12=f(X1, X2)
X3=0;
X1_2=X1.^2;
X2_2=X2.^2;
X3_2=X3.^2;
z12 = B0 + (B1.*X1) + (B2.*X2) + (B3.*X3) + (B11.*X1_2) + (B22.*X2_2) +
(B33.*X3_2) + ...
(B12.*X1.*X2)+ (B23.*X2.*X3)+ (B13.*X1.*X3);
endfunction
X1 = linspace(-(sqrt(2)),(sqrt(2)), 80);
z12orig = feval(X1, X2, f)';
//
//dados obtidos pelo Statistica a partir racionalização dos exp. supracitados por
meio do 2k
//insira abaixo os coeficientes obtidos com até dois algarismos, separado por ponto
(.)
rB0 = 398.00 ;
rB1 = -10.5;
74
rB11 = 0;
rB2 = 155.0;
rB22 = 0;
rB3 = 187.0;
rB33 = 0;
rB12 = 1.5;
rB13 = -9.5;
rB23 = 80.0;
// não mude a rotina a partir deste ponto
//FUNÇÃO PARA PLOTAR RESPOSTA EM TERMOS DE X1 E X2
function z12=f(X1, X2)
X3=0;
X1_2=X1.^2;
X2_2=X2.^2;
X3_2=X3.^2;
z12 = rB0 + (rB1.*X1) + (rB2.*X2) + (rB3.*X3) + (rB11.*X1_2) +
(rB22.*X2_2) + (rB33.*X3_2) + ...
(rB12.*X1.*X2)+ (rB23.*X2.*X3)+ (rB13.*X1.*X3);
endfunction
z12rac = feval(X1, X2, f)';//a partir daqui a rotina fará a diferença e a
exposição gráfica
//avaliando a diferença
difModelX1X2= z12rac-z12orig;//diferença absoluta em cada ponto amostral do
modelo
Zmin = 0.95 * min(difModelX1X2);
Zmax = 1.05 * max(difModelX1X2);
zminmax = [Zmin Zmax];
//Plotagem de superfície resposta
figure(1)
f1 = get("current_figure");
f1.figure_size = [974,723];
f1.background = -2;
surf(X1,X2,difModelX1X2);
a = gcf();
a.color_map = jetcolormap(32);
//a.background = color("white");
colorbar(zminmax(1), zminmax(2), fmt="%.0f");
xset("font size", 4); //estilo de fonte
xtitle("Curva de desvio absoluto entre os Modelos - X1 vs. X2")
a = get("current_axes");
a.title.font_size = 4;
xlabel ('n [rpm]', "fontsize", 4); //nome do fator A e unidade SI[]
ylabel ('f [mm/rev.]', "fontsize", 4); //nome do fator B e unidade SI[]
zlabel ('Desvio entre Modelos [N]', "fontsize", 4, "rotation", 90); //nome do fator
C e unidade SI []
a = get("current_axes");
75
// para o eixo X - Fator A - encontre os valores: -> linspace(-1, 1, 7)

a.x_ticks.labels = ["400"; "485"; "565"; "650"; "730"; "820"; "900"];
// para o eixo Y - Fator B - encontre os valores: -> linspace(-1, 1, 7)
a.y_ticks.labels = ["0,1"; "0,14"; "0,18"; "0,22"; "0,26"; "0,30"; "0,33"];
drawnow();
show_window();

TCC GUILHERME &amp; MARCOSss

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TCC GUILHERME &amp; MARCOSss

Enviado por

Direitos autorais:

Formatos disponíveis

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE GOIÁS

DEPARTAMENTO DE ÁREAS ACADÊMICAS IV

GUILHERME MOREIRA DA FONSECA GONZAGA

RACIONALIZAÇÃO DE DOIS PLANEJAMENTOS DE EXPERIMENTOS EM

Prof. Dr. Écio Naves Duarte – Orientador

Trabalho de Conclusão de Curso

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE GOIÁS

RACIONALIZAÇÃO DE DOIS PLANEJAMENTOS DE EXPERIMENTOS EM

GUILHERME MOREIRA DA FONSECA GONZAGA

TRABALHO DE CONCLUSÃO DE CURSO SUBMETIDO AO DEPARTAMENTO IV,

Prof. Dr. Écio Naves Duarte, IFG

Paulo Vinicius da Silva Resende, IFG

Prof. Dr. Ildeu Lúcio Siqueira, IFG

GOIÂNIA, março de 2021

COSTA, M. V. S. A.; GONZAGA, G. M. DA F. Racionalização de dois

NOME DOS AUTORES:

GUILHERME MOREIRA DA FONSECA GONZAGA

RACIONALIZAÇÃO DE DOIS PLANEJAMENTOS DE EXPERIMENTOS EM

É concedida ao Instituto Federal de Educação, Ciência e Tecnologia de Goiás

Guilherme Moreira da Fonseca Gonzaga

Marcos Vinicius Saraiva Alves Costa

O planejamento de experimentos permite otimizar processos através do uso inteligente de

Palavras-chave: Planejamento de experimentos; FFD; Racionalização.

Keywords: Design of experiments; FFD; Rationalization.

Figura 1.1: Representação de um sistema mostrando as variáveis de entrada e

Figura 4.8: Gráfico de superfície do planejamento CCD para ap vs f .............. 62

Tabela 2.1: Matriz de planejamento para um experimento fatorial 2³ ............... 29

1.1 OBJETIVO GERAL ...................................................................... 15

2 FUNDAMENTAÇÃO TEÓRICA .......................................................... 17

2.1 PLANEJAMENTO DE EXPERIMENTOS NA USINAGEM ........... 17

2.1.1 A importância da estatística ................................................... 18

2.2 PLANEJAMENTO FATORIAL COMPLETO 2K ............................ 26

2.2.1 A Matriz de Planejamento ...................................................... 29

2.3 METODOLOGIA DE SUPERFÍCIE DE RESPOSTA .................... 35

2.4.1 Planejamento Fatorial Fracionário ......................................... 42

2.5 SOFTWARES PARA PLANEJAMENTO EXPERIMENTAL ......... 44

3.1 OS ARTIGOS ESCOLHIDOS PARA REANÁLISE ....................... 46

4 RESULTADOS E DISCUSSÃO .......................................................... 49

4.1 Adequação do planejamento 33 para 23 ....................................... 49

4.1.1 O Planejamento 33 ................................................................. 49

4.2 Adequação do planejamento CCD para 23 ................................... 59

Figura 1.1: Representação de um sistema mostrando as variáveis de entrada e saída.

Fonte: MONTGOMERY (2013).

O planejamento de experimentos foi proposto no início do século XX por

através do levantamento de informações tais como as seguintes: i) quais fatores

Fonte: DE OLIVEIRA et al., 2019.

Ainda de acordo com De Oliveira et al. (2019), estes artigos foram

Figura 1.3: Classificação dos artigos de acordo com cinco categorias.

Fonte: DE OLIVEIRA et al., 2019.

Camposeco-Negrete (2014) defende que o motivo para o aumento da

relatado por De Oliveira et al. (2019), se deve ao fato de que os pesquisadores

A fim de demonstrar como a racionalização de planejamentos de

1.1 OBJETIVO GERAL

- Propor uma maneira de racionalizar planejamentos de experimentos em

1.2 OBJETIVOS ESPECÍFICOS

- Analisar se as mesmas conclusões poderiam ter sido obtidas com menos

1.3 ESTRUTURA DO TRABALHO

Este Trabalho de Conclusão de Curso contém 5 (cinco) capítulos, as

2.1 PLANEJAMENTO DE EXPERIMENTOS NA USINAGEM

De acordo com Button (2016), o planejamento de experimentos tem como

Uma vez que o planejamento de experimentos estuda como certas

2.1.1 A importância da estatística

Durante este trabalho são utilizados alguns conceitos de estatística,

TCC GUILHERME & MARCOSss

TCC GUILHERME & MARCOSss