.
Uma equipe de pesquisa liderada pelo Professor Hyoung Seop Kim do Instituto de Pós-Graduação em Tecnologia de Materiais Ferrosos e Ecológicos e do Departamento de Ciência e Engenharia de Materiais e Jeong Ah Lee, um candidato a PhD, do Departamento de Ciência e Engenharia de Materiais, em colaboração recente com o Professor Figueiredo do Departamento de Engenharia Metalúrgica e de Materiais da Universidade Federal de Minas Gerais no Brasil, desenvolveu um modelo de inteligência artificial ideal para prever o limite de escoamento de vários metais, abordando efetivamente as limitações tradicionais de custo e tempo. Esta pesquisa foi publicada na edição online da Diário de Materiaisum periódico internacional de engenharia de metais e materiais.
O limite de escoamento é o ponto em que um material, como um metal, começa a deformar-se sob tensão externa. Na engenharia de materiais, prever com precisão o limite de escoamento é crucial para desenvolver materiais de alto desempenho e melhorar a estabilidade estrutural. No entanto, prever esta propriedade envolve considerar inúmeras variáveis, como tamanho de grão e tipos de impurezas no material e normalmente requer experimentação extensiva durante períodos prolongados para coletar dados.
Para resolver isso, a equação de Hall-Petch, que estabelece a relação entre o limite de escoamento de um material e seu tamanho de grão, é comumente usada. No entanto, tem limitações em prever com precisão o limite de escoamento de novos materiais, considerando suas características específicas e diversas condições ambientais, como temperatura e taxa de deformação.
Neste estudo, a equipe combinou a teoria física com técnicas de inteligência artificial (IA) para aumentar a precisão e, ao mesmo tempo, reduzir o custo e o tempo necessários para prever o limite de escoamento. Eles desenvolveram um modelo de aprendizado de máquina que aplica o mecanismo de “deslizamento de limite de grão”, que descreve como as partículas dentro de um material se movem umas contra as outras, junto com um algoritmo de aprendizado de máquina para prever o limite de escoamento.
Primeiro, a equipe empregou um modelo de caixa preta para analisar o impacto de várias propriedades do material na resistência ao escoamento. Eles então desenvolveram um modelo de caixa branca com entradas e saídas claras para aumentar a precisão das previsões do limite de escoamento.
A equipe validou seu modelo usando uma variedade de ligas à base de ferro que não faziam parte dos dados de treinamento para o modelo de previsão do limite de escoamento. Os resultados demonstraram que o modelo foi altamente preciso, com um erro absoluto médio de 7,79 MPa em comparação com o limite de escoamento real, mesmo ao prever dados não treinados.
O professor Hyoung Seop Kim da POSTECH expressou suas aspirações, dizendo: “Desenvolvemos um modelo de IA de uso geral que pode prever com precisão o limite de escoamento de diferentes tipos de metais e sob várias condições experimentais.” Ele acrescentou: “Continuaremos a utilizar ativamente a tecnologia de IA para fazer avanços significativos na pesquisa de engenharia de materiais”.
A pesquisa foi conduzida com o apoio do Programa de Desenvolvimento de Tecnologia de Nano e Materiais por meio da Fundação Nacional de Pesquisa da Coreia (NRF), financiada pelo Ministério da Ciência e TIC.
.
