Machine Learning Optimiza Processos a Laser na Indústria Metalúrgica
São Paulo — InkDesign News — Pesquisas recentes demonstram como técnicas de machine learning podem aprimorar a eficiência e a precisão de processos a laser na metalurgia, facilitando sua adoção por indústrias com alto padrão de qualidade.
Contexto da pesquisa
O uso de processos a laser na indústria metalúrgica é amplamente reconhecido por sua versatilidade. No entanto, essas técnicas ainda enfrentam desafios técnicos significativos devido à complexidade nas interações entre o laser e os materiais. Flutuações nas propriedades do material ou nos parâmetros do laser podem resultar em falhas na produção. O grupo de pesquisa da Empa, liderado por Elia Iseli, tem como objetivo entender e controlar melhor esses processos.
Método proposto
Para otimizar a fabricação aditiva — especificamente a fusão de leito de pó por laser (PBF) — dois pesquisadores da equipe, Giulio Masinelli e Chang Rajani, implementaram um algoritmo que utiliza dados de sensores ópticos já existentes nas máquinas a laser. O algoritmo é capaz de detectar o modo em que o laser está operando, ajustando os parâmetros para as próximas operações experimentais. Esta abordagem permite reduzir em até dois terços o número de testes preliminares, mantendo a integração da qualidade do produto.
O modelo proposto utiliza técnicas de aprendizado supervisionado que analisam as condições de soldagem em tempo real. Em paralelo, os pesquisadores também investigam a possibilidade de otimizar o próprio processo de soldagem utilizando um chip FPGA, que permite reações mais rápidas e precisas do que um PC convencional. “Atualmente, não é possível influenciar o processo de soldagem em tempo real”, afirma Rajani.
Resultados e impacto
Os resultados preliminares indicam uma melhoria significativa na eficiência do processo, com a redução da necessidade de supervisão por especialistas. Além disso, a adaptação do algoritmo para o firmware das máquinas a laser pode democratizar o uso da PBF, tornando-a acessível a empresas que antes não podiam arcar com os custos. “Esperamos que nosso algoritmo permita que não especialistas utilizem dispositivos PBF”, diz Masinelli.
As aplicações potenciais se estendem além da metalurgia, podendo beneficiar setores como automotivo, aeronáutico e de tecnologia médica. Os pesquisadores continuam a desenvolver seus algoritmos e otimizar seus modelos, colaborando com parceiros da indústria e da academia para expandir este campo promissor.
Fonte: (TechXplore – Machine Learning & AI)
