|
Abstract:
|
Pastilhas de freio são componentes essenciais dos sistemas de frenagem, responsáveis pela conversão da energia cinética em calor e sua dissipação. As pastilhas sinterizadas metálicas, produzidas por metalurgia do pó, apresentam potencial para aplicações que exigem estabilidade do coeficiente de atrito, resistência ao desgaste e estabilidade mecânica e térmica. Entretanto, a otimização de suas formulações é complexa devido às variáveis envolvidas, como composição, granulometria, compactação, sinterização, porosidade e microestrutura. Nesse contexto, este trabalho teve como objetivo aplicar técnicas de aprendizado de máquina para analisar e prever propriedades de pastilhas de freio sinterizadas de matriz ferrosa, visando contribuir para a otimização de seu desempenho tribológico.
Foram utilizados dados experimentais previamente obtidos pelo grupo de pesquisa. As amostras foram produzidas por metalurgia do pó, envolvendo mistura dos pós, compactação uniaxial a 500 MPa e sinterização em atmosfera de 95% Ar e 5% H₂, com vazão de 0,4 L/min. A caracterização envolveu ensaios tribológicos, interferometria óptica e microdureza Vickers. A base experimental continha 179 registros, sendo avaliadas oito propriedades: microdureza, coeficiente de atrito médio total e após 600 s, seus respectivos desvios padrão e as taxas de desgaste da amostra, do contracorpo e do sistema.
Foram avaliados modelos de Support Vector Regression (SVR), K-Nearest Neighbors (KNN), Random Forest (RF), Gradient Boosting (GB) e Redes Neurais Artificiais (ANN), utilizando R², MAE, MSE e RMSE. Para a microdureza, o SVR apresentou o melhor equilíbrio, com R² de 0,767 no teste, R² CV de 0,343, MAE de 56,5 HV e RMSE de 77,8 HV. Para o coeficiente de atrito médio total, o RF apresentou R² de 0,653 no teste, enquanto, após 600 s, o GB apresentou R² de 0,454 e R² CV de 0,562. Os desvios padrão do coeficiente de atrito apresentaram menor capacidade de generalização. Para o desgaste, apesar de alguns modelos apresentarem R² elevados no teste, os valores de validação cruzada foram fortemente negativos, indicando instabilidade e ausência de capacidade preditiva robusta.
De modo geral, os resultados demonstram que o aprendizado de máquina apresenta potencial como ferramenta auxiliar no desenvolvimento e otimização de pastilhas de freio sinterizadas, principalmente para a previsão de microdureza e coeficiente de atrito médio. Entretanto, a ampliação da base experimental e o aprimoramento dos modelos e do código são necessários para aumentar sua robustez e capacidade de generalização, especialmente para as respostas relacionadas ao desgaste. |
