APLICAÇÃO DE TÉCNICAS DE MACHINE LEARNING PARA ESTUDO DO COMPORTAMENTO MECÂNICO E TRIBOLÓGICO DE PEÇAS FABRICADAS POR METALURGIA DO PÓ

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.