Segundo a Universidade Lehigh, um projeto financiado pela NSF, liderado pela pesquisadora Parisa Khodabakhshi, visa aprimorar modelos de aprendizado de máquina que incorporam leis físicas, facilitando o projeto de ligas para peças de alto desempenho nas indústrias aeroespacial, automotiva e de saúde, por meio da impressão 3D.
“Essa abordagem camada por camada permite a fabricação de peças com geometrias complexas que muitas vezes são difíceis, ou mesmo impossíveis, de se obter com métodos de fabricação convencionais”, disse Parisa Khodabakhshi, professora assistente de Engenharia Mecânica e Mecânica na Faculdade de Engenharia e Ciências Aplicadas PC Rossin da Universidade Lehigh. “No entanto, as propriedades termomecânicas das peças finais fabricadas por manufatura aditiva são influenciadas por um grande número de parâmetros de processo, o que torna a otimização do projeto particularmente desafiadora.”
Estabelecer a relação entre as variações nos parâmetros do processo e as propriedades da peça final exige diversas simulações em uma ampla gama de escalas de comprimento, tornando a tarefa computacionalmente dispendiosa. “As demandas computacionais para realizar todas as simulações necessárias tornam isso impraticável”, disse Khodabakhshi. Como resultado, os fabricantes frequentemente recorrem a métodos de tentativa e erro para alcançar as propriedades térmicas ou mecânicas desejadas no produto final. “No entanto, não é possível explorar completamente todo o espaço de projeto dessa forma para encontrar o projeto ideal, e é por isso que atualmente não conseguimos utilizar todo o potencial da manufatura aditiva.”
Khodabakhshi recebeu recentemente uma bolsa de três anos, no valor de US$ 350.000, da Fundação Nacional de Ciência (NSF) para desenvolver um modelo computacionalmente eficiente que preveja com precisão como os parâmetros do processo de manufatura aditiva influenciam a microestrutura de solidificação, que, por sua vez, determina as propriedades da peça final. Especificamente, Khodabakhshi desenvolverá um modelo de ordem reduzida, baseado em princípios físicos e orientado por dados, para prever a evolução da microestrutura na solidificação de ligas binárias (ou quando uma mistura de dois metais passa do estado líquido para o sólido).
“Por exemplo, digamos que eu queira uma peça com propriedades térmicas específicas”, disse ela. “Não sei quais devem ser os parâmetros do processo para atingir essas propriedades. As simulações que relacionam determinados parâmetros de processo à microestrutura de solidificação resultante e, consequentemente, às propriedades finais da peça fabricada são altamente não lineares. Chamamos essa simulação de mapa direto. A partir daí, posso construir o mapa inverso, que conecta as propriedades desejadas de volta aos parâmetros do processo.” O projeto da NSF concentra-se no desenvolvimento de um modelo computacionalmente eficiente para a relação processo-estrutura (PE).
O objetivo final é otimizar a fabricação de peças produzidas por manufatura aditiva, que são especialmente úteis nas indústrias aeroespacial, automotiva e de saúde – áreas em que a confiabilidade na fabricação é fundamental.
A abordagem da equipe dela utiliza uma estrutura de aprendizado de máquina científico que combina algoritmos de aprendizado de máquina orientados por dados com leis da física. “Como engenheiros, não queremos apenas treinar um algoritmo de caixa preta”, disse Khodabakhshi. “Queremos incorporar a física ao problema para satisfazer as equações que regem os fenômenos físicos, de modo que tenhamos confiança no resultado que obtemos do algoritmo. Essa é a diferença entre o aprendizado de máquina convencional e o aprendizado de máquina científico”. Para saber mais sobre o método, acesse o site.
