As ligas de magnésio (Mg) têm sido popularmente usadas para projetar peças aeroespaciais e automotivas devido à sua alta relação resistência-peso. Sua biocompatibilidade e baixa densidade também tornam essas ligas ideais para uso em equipamentos biomédicos e eletrônicos. No entanto, sabe-se que as ligas de Mg exibem comportamento anisotrópico plástico. Em outras palavras, suas propriedades mecânicas variam dependendo da direção da carga aplicada.



Para garantir que o desempenho destas ligas de Mg não seja afetado por este comportamento anisotrópico, é necessária uma melhor compreensão das deformações anisotrópicas e o desenvolvimento de modelos para a sua análise.

De acordo com o Laboratório Metal Design &Manufacturing (MEDEM) liderado pelo Professor Associado Taekyung Lee da Universidade Nacional de Pusan, República da Coreia, o aprendizado de máquina (ML) pode conter respostas para esse problema de previsão. Em seu recente avanço, a equipe propôs uma nova abordagem chamada "Unidade recorrente controlada (GRU) auxiliada por redes adversárias generativas (GAN)."

O modelo possui poderosas habilidades de análise de dados para prever com precisão as propriedades anisotrópicas plásticas de ligas forjadas de Mg. Seu trabalho foi disponibilizado on-line no Journal of Magnesium and Alloys em 16 de janeiro de 2024.

"Em termos de precisão das previsões de ML do ponto de vista da ciência de dados, percebemos que havia espaço para melhorias. Portanto, ao contrário dos métodos de previsão relatados anteriormente, desenvolvemos um modelo de ML com aumento de dados para obter precisão, bem como generalização em relação a vários modos de carregamento", diz o Prof. Lee, descrevendo a ideia central por trás de seu novo modelo.

"Isso eventualmente abriu caminhos de integração com uma análise de elementos finitos para extrair estimativas precisas de tensão de produtos feitos de ligas metálicas com anisotropia plástica significativa."

Para construir um modelo com maior precisão, a equipe combinou todas as curvas de fluxo, GAN, ajuste de hiperparâmetros orientado por algoritmo e arquitetura GRU, que são algumas das principais estratégias usadas na ciência de dados. Esta nova abordagem facilita o aprendizado de dados completos da curva de fluxo, em vez de se limitar ao treinamento em propriedades mecânicas resumidas, como muitos modelos anteriores.

Para testar a confiabilidade do modelo GRU auxiliado por GAN, a equipe avaliou-o extensivamente em cenários preditivos, que vão desde extrapolação, interpolação e robustez, com conjuntos de dados de tamanho limitado. Quando colocado em teste, o modelo estimou o comportamento anisotrópico das ligas ZK60 Mg para três direções de carregamento e sob 11 condições de recozimento.

Com esses experimentos, a equipe descobriu que seu modelo apresentava robustez e generalização significativamente melhores do que outros modelos projetados para realizar tarefas semelhantes. Esse desempenho superior é atribuído principalmente ao aumento de dados auxiliado por GAN e apoiado pela excelente capacidade de extrapolação da arquitetura GRU e otimização de hiperparâmetros – parâmetros cujos valores são usados ​​para controlar o processo de aprendizagem.

Portanto, este estudo leva a modelagem preditiva além das redes neurais artificiais. Ele demonstra com sucesso a capacidade dos modelos baseados em ML para estimar os comportamentos de deformação anisotrópica de ligas forjadas de Mg.

"O desempenho geral e a vida útil dos componentes feitos de liga de Mg dependem em grande parte do comportamento anisotrópico do plástico, o que torna a previsão e o gerenciamento de deformações uma parte vital do projeto do material. Acreditamos que o modelo auxiliará no projeto e na fabricação de produtos metálicos para várias aplicações", conclui o Prof. Lee.

Mais informações: Sujeong Byun et al, Previsão aprimorada do comportamento de deformação anisotrópica usando aprendizado de máquina com aumento de dados, Journal of Magnesium and Alloys (2024). DOI:10.1016/j.jma.2023.12.007
Fornecido pela Universidade Nacional de Pusan ​​