APLICAÇÃO DE TÉCNICAS DE MACHINE LEARNING PARA ESTUDO DO COMPORTAMENTO MECÂNICO E TRIBOLÓGICO DE PEÇAS FABRICADAS POR METALURGIA DO PÓ
Author:
Machado, Isadora Hasselmann
Abstract:
Este estudo avalia e otimiza a viabilidade de múltiplos algoritmos de machine
learning (ML) para analisar e prever o coeficiente de atrito médio (COF), o volume
de desgaste da amostra e o volume de desgaste da calota do contracorpo de
compósitos de matriz ferrosa Fe-NbC sinterizados in situ via metalurgia do pó
convencional. O banco de dados foi estruturado a partir de 60 registros
experimentais para formulações contendo 5%, 10% e 15% em peso de NbC. Foram
avaliadas 1.792 combinações de atributos de entrada — incluindo composição
teórica, propriedades mecânicas (dureza Vickers e porosidade residual de
Arquimedes) e múltiplos parâmetros de topografia tridimensional (filtrados e não
filtrados) — frente aos algoritmos de regressão KNN, Decision Tree (DT), Random
Forest (RF), SVM, Gradient Boosting (GB) e Redes Neurais Artificiais (MLP). O
pré-processamento dos dados envolveu escalonamento robusto, transformações
logarítmicas e estratégias de data augmentation via inserção de ruído gaussiano,
com validação estatística rigorosa por Nested Cross-Validation e GroupKFold para
mitigar o risco de sobreajuste (overfitting). Os resultados mostraram que o
desempenho preditivo foi influenciado pela propriedade-alvo. A previsão do COF
obteve os índices mais elevados, com o algoritmo KNN alcançando um coeficiente
de determinação (R²) de validação de 0,926 com 6 variáveis de entrada. O volume
de desgaste do contracorpo foi satisfatoriamente previsto pelo algoritmo DT (R² de
validação de 0,771) utilizando apenas %NbC, dureza e porosidade. Por sua vez, a
previsão do volume de desgaste da amostra se mostrou mais complexa e
dependente de parâmetros topográficos tridimensionais, alcançando R² de validação
de 0,631 com o algoritmo SVM para a condição filtrada e de 0,536 com KNN para a
condição não filtrada. O teor de NbC e a porosidade residual foram os atributos mais
relevantes nas respostas tribológicas. Os resultados indicam que a aplicação de
algoritmos de aprendizado de máquina representa uma ferramenta promissora para
acelerar o desenvolvimento de compósitos de matriz metálica.
