Previsão da corrosão da liga de Magnésio AZ31 utilizando machine learning e imagens digitais de celular

Abstract

Este trabalho apresenta uma abordagem de aprendizado de máquina para analisar o comportamento de corrosão da liga de magnésio AZ31, utilizando imagens digitais capturadas pela câmera de um smartphone em um estúdio de captação de imagem caseiro. Um sistema de aquisição de imagens controlado, combinado com a extração automatizada de características, permitiu quantificar as alterações de cor e textura da superfície associadas à progressão da corrosão. Após eliminar a multicolinearidade por meio da seleção de características baseada em correlação, os descritores resultantes foram utilizados para desenvolver modelos supervisionados para duas tarefas complementares distintas. Primeiramente, treinaram-se modelos de classificação para categorizar as amostras de acordo com o tempo de exposição à corrosão (até 40 dias), baseando-se exclusivamente em características extraídas das imagens. O classificador Linear Support Vector Classifier (LinearSVC) obteve o melhor desempenho, alcançando uma acurácia de teste de 0,906. Em segundo lugar, desenvolveram-se modelos de regressão para prever quantitativamente a evolução de hidrogênio durante a corrosão, utilizando os mesmos descritores de imagem. O regressor K-Nearest Neighbors (KNN) otimizado forneceu a previsão mais precisa do volume de hidrogênio (R² = 0,914), apresentando também baixos valores de RMSE (1,76 mL) e MAE (0,94 mL), o que indica uma forte concordância entre os volumes de hidrogênio previstos e os experimentais. Esses resultados demonstram que as características macroscópicas das imagens codificam informações físico-químicas relevantes relacionadas aos processos de corrosão, possibilitando tanto a classificação dos estágios de corrosão quanto a previsão quantitativa da geração de hidrogênio por meio de uma abordagem rápida, de baixo custo e não destrutiva.