Otimização e previsão da temperatura máxima na soldagem por atrito e mistura de Al 6061 T6 usando técnicas estatísticas e de aprendizado de máquina

Por que manter as soldas frias importa

De aviões a carros elétricos, muitas máquinas dependem de peças de alumínio que precisam ser unidas sem perder resistência. A soldagem por atrito e mistura é uma maneira popular de fazer isso, pois mistura as peças sem fundir totalmente o metal. Mas se o processo ficar quente demais, o alumínio pode amolecer, perder resistência ou até derreter. Este artigo investiga como prever e controlar as temperaturas máximas atingidas durante a soldagem de uma liga comum, o Al 6061 T6, usando simulação computacional, estatística inteligente e aprendizado de máquina, para que fabricantes obtenham juntas fortes e consistentes evitando danos térmicos.

Como essa solda em estado sólido funciona

Na soldagem por atrito e mistura, uma ferramenta rotativa em forma de pino curto com um ombro largo é pressionada na junta entre duas chapas e deslocada ao longo da emenda. O atrito e a deformação plástica aquecem e amolecem o metal, fazendo com que ele se misture e forge sem se transformar em líquido. Para o Al 6061 T6, essa “zona de temperatura ideal” está abaixo do ponto de fusão, mas alta o suficiente para permitir boa mistura. Se a temperatura máxima se aproximar ou exceder cerca de quatro quintos da temperatura de fusão, as partículas de endurecimento da liga podem coarsificar ou o metal pode começar a fundir, levando a zonas mais moles e pior desempenho mecânico. Controlar a temperatura máxima é, portanto, essencial para segurança e durabilidade.

Testando muitos controles ao mesmo tempo

Os pesquisadores se concentraram em sete controles que os soldadores podem ajustar: material da ferramenta, diâmetro do pino, diâmetro do ombro, velocidade de rotação, velocidade de avanço, força axial que pressiona a ferramenta e o atrito entre ferramenta e chapa. Em vez de executar milhares de testes, eles usaram um desenho Taguchi, um atalho estatístico que seleciona um conjunto cuidadosamente escolhido de 32 combinações para revelar quais controles importam mais. Para cada combinação, construíram um modelo tridimensional no COMSOL para simular a geração de calor pela ferramenta rotativa e como esse calor se espalha pela chapa de alumínio e pelo suporte. Em seguida, compararam um subconjunto dessas simulações com experimentos em uma fresa modificada, usando termopares para medir temperaturas em diferentes pontos ao redor da solda. As temperaturas máximas simuladas e medidas coincidiram em cerca de 7%, dando confiança de que o modelo capturou o comportamento térmico real.

Identificando os principais culpados pelo superaquecimento

Com os dados de simulação em mãos, a equipe aplicou ferramentas estatísticas para identificar quais parâmetros do processo tinham maior efeito na temperatura máxima. Usando análise Taguchi e análise de variância, eles encontraram líderes claros: força axial e velocidade de rotação da ferramenta. Velocidades de rotação mais altas e maior força de uso geram muito mais aquecimento por atrito e deformação plástica, elevando as temperaturas máximas; em alguns casos simulados, a temperatura da zona de solda ultrapassou 600 °C, acima da faixa de fusão considerada segura para essa liga. Mudanças no tamanho do pino e do ombro tiveram efeito secundário ao alterar a área de contato, enquanto a escolha do material da ferramenta e pequenas variações no coeficiente de atrito tiveram influência relativamente menor. Esses resultados sugerem que o controle cuidadoso de velocidade e força é a maneira mais eficaz de manter as soldas abaixo de temperaturas danosas.

Deixando uma rede neural prever o calor

Para ir além de regras empíricas estáticas, os autores treinaram uma rede neural artificial simples para aprender a relação entre as configurações de soldagem e a temperatura máxima. Eles usaram os resultados da simulação como exemplos, alimentando os seis insumos mais relevantes (todos os controles exceto o material da ferramenta) e treinando a rede para gerar a temperatura máxima prevista. Ao dividir os dados em conjuntos de treinamento, validação e teste e usar um método padrão de retropropagação, a rede aprendeu a reproduzir os resultados da simulação com altíssima precisão: suas previsões diferiram da simulação em cerca de 1% em média, melhor do que os erros de 3–4% obtidos pela regressão Taguchi e pela fórmula baseada em ANOVA. Isso mostra que mesmo com um conjunto de dados relativamente pequeno, uma rede neural bem projetada pode capturar interações sutis entre parâmetros que modelos mais simples deixam escapar.

O que isso significa para a soldagem no mundo real

O estudo conclui que combinar simulações por elementos finitos, desenho estatístico e redes neurais oferece um conjunto de ferramentas poderoso para tornar a soldagem por atrito e mistura mais segura e eficiente. Ao identificar força axial e velocidade de rotação como os principais geradores de calor e ao fornecer um preditor rápido para a temperatura máxima, a abordagem pode orientar engenheiros na escolha de ajustes que evitem superaquecimento ao mesmo tempo que produzam juntas sólidas. Em termos práticos, isso significa menos defeitos, componentes com vida útil mais longa e menos tentativa e erro nas linhas de produção das indústrias aeroespacial, automotiva e outras que dependem de estruturas leves em alumínio.

Citação: Anis, A., Shakaib, M. & Hanif, M.S. Optimization and prediction of peak temperature in friction stir welding of Al 6061 T6 using statistical and machine learning techniques. Sci Rep 16, 7901 (2026). https://doi.org/10.1038/s41598-025-03217-y

Palavras-chave: soldagem por atrito e mistura, liga de alumínio, controle térmico, otimização de processo, modelagem por rede neural