Predição de curvas de escoamento de aço utilizando algoritmos de inteligência artificial

Abstract

Este trabalho avalia o desempenho de diferentes algoritmos de aprendizado de máquina para predição de curvas de escoamento de metais utilizando a composição química, temperatura, deformação e velocidade de deformação como variáveis de entrada. O objetivo é proporcionar uma alternativa à experimentação laboratorial, reduzindo custos com a geração dessas curvas, essenciais na análise do processo industrial de conformação mecânica. A pesquisa classifica-se como tecnológica aplicada, empregando a implementação de um protótipo computacional dividido em duas etapas: seleção e avaliação de modelos de regressão, e o desenvolvimento de uma ferramenta web para uso por engenheiros. Foram utilizados métodos de validação cruzada, limpezas e padronizações no dataset extraído da biblioteca do software de elementos finitos QForm UK, além de otimização de hiperparâmetros empregando bibliotecas como scikit-learn, Tensorflow e Optuna. Os principais modelos avaliados foram Random Forest, XGBoost, GradientBoosting, SVR e redes neurais rasas e profundas. O modelo XGBoost apresentou o melhor desempenho, superando inclusive redes neurais profundas, com erro absoluto médio de 7,53 no conjunto de validação, demonstrando robustez mesmo diante de materiais não presentes no treinamento. Constatou-se que tanto temperatura quanto velocidade de deformação podem influenciar o desempenho, especialmente em aços de alta liga, levantando potenciais temas para estudos futuros. Ao final, foi desenvolvida uma API e aplicação web para facilitar a aplicação prática dos modelos em ambiente industrial. Os resultados confirmam que técnicas de aprendizado de máquina são capazes de auxiliar na predição confiável de curvas de escoamento, atendendo aos objetivos propostos.

Abstract: This work evaluates the performance of different machine learning algorithms for predicting metal strain curves using chemical composition, temperature, strain, and strain rate as input variables. The goal is to provide an alternative to laboratory experimentation, reducing the costs associated with generating these curves, which are essential for analyzing industrial metal forming processes. The research is classified as applied technological, involving the implementation of a computational prototype divided into two stages: the selection and evaluation of regression models, and the development of a web tool for engineers. Cross-validation methods, data cleaning, and standardization were applied to the dataset extracted from QForm simulations, along with hyperparameter optimization using libraries such as scikit-learn, TensorFlow, and Optuna. The main models evaluated were Random Forest, XGBoost, Gradient Boosting, SVR, and shallow and deep neural networks. The XGBoost model achieved the best performance, outperforming even deep neural networks, with a mean absolute error of 7.53 on the validation set, demonstrating robustness even for materials not present in training. It was found that both temperature and strain rate can influence performance, particularly in high-alloy steels, suggesting potential directions for future research. Finally, an API and web application were developed to facilitate the practical application of the models in industrial environments. The results confirm that machine learning techniques can reliably assist in predicting strain curves, meeting the proposed objectives.