Estimação e otimização de parâmetros de reforço para material compósito usando uma abordagem de aprendizado de máquina

Plásticos mais resistentes a partir de ingredientes comuns

De carros a eletrodomésticos, muitos produtos dependem de peças plásticas que precisam ser leves e ao mesmo tempo resistentes. Engenheiros frequentemente melhoram o desempenho ao misturar plásticos com partículas duras, como metal. Mas decidir exatamente quanto metal adicionar e qual deve ser o tamanho das partículas é um processo lento, baseado em tentativa e erro. Este estudo mostra como técnicas modernas de aprendizado de máquina podem ajudar projetistas a encontrar rapidamente a melhor receita para esses plásticos reforçados com metal, economizando tempo, custos e desperdício de material.

Misturando pó metálico em um plástico comum

Os pesquisadores trabalharam com um plástico amplamente usado chamado polietileno tereftalato, ou PET — o mesmo material básico encontrado em muitas garrafas e têxteis. Eles criaram um novo compósito ao misturar PET com pó metálico fino e então conformar a mistura em chapas planas usando moldagem por compressão, um processo industrial padrão. Para ver como a “receita” afetava o desempenho, variaram dois ingredientes-chave: o tamanho das partículas metálicas (menores que 2 micrômetros, entre 2 e 4 micrômetros, e maiores que 4 micrômetros) e a quantidade de metal no plástico, de 0 a 4 por cento em peso em pequenos incrementos.

Medindo como o novo material se comporta

De cada lote de compósito, a equipe cortou corpos de prova e mediu três propriedades práticas. A resistência à tração descreve quanto uma amostra pode ser esticada antes de quebrar, enquanto a resistência à flexão mede quanto ela resiste à curvatura. A porcentagem de alongamento indica o quanto o material se estica, funcionando como um marcador de ductilidade ou flexibilidade. Máquinas de ensaio padrão puxaram e dobraram as amostras até a falha, e os dados resultantes foram registrados. O grupo também usou microscópios eletrônicos de alta resolução e análise elementar para confirmar que as partículas metálicas estavam distribuídas pelo plástico e para visualizar como elas se posicionavam dentro da matriz de PET. Essas imagens ajudaram a conectar a estrutura microscópica ao desempenho macroscópico.

De estatísticas a previsões inteligentes

Como primeiro passo, os autores aplicaram uma ferramenta estatística tradicional conhecida como metodologia da superfície de resposta. Essa abordagem usa um conjunto de experimentos cuidadosamente planejados para mapear como as entradas — aqui, tamanho das partículas e teor de metal — afetam saídas como resistência e alongamento, e para sugerir uma combinação que equilibre as três propriedades. A análise apontou para um teor de metal intermediário, pouco acima de 1 por cento, e um tamanho de partícula de faixa média como um bom compromisso, fornecendo melhorias moderadas em resistência e alongamento sem empurrar nenhuma propriedade a um extremo.

Deixando os algoritmos aprenderem a melhor receita

A equipe então recorreu ao aprendizado de máquina para ir além dessas estimativas iniciais. Treinaram dois modelos baseados em árvores de decisão, chamados Random Forest e XGBoost, no conjunto completo de resultados de ensaio. Os algoritmos aprenderam como mudanças no tamanho das partículas e na carga influenciavam a resistência à tração, a resistência à flexão e o alongamento. Ao testar os modelos contra dados não vistos usando validação cruzada em cinco blocos, os pesquisadores puderam avaliar quão bem os algoritmos generalizavam em vez de simplesmente memorizar as medições. Foram usados vários critérios de qualidade, incluindo o quão próximas as previsões estavam dos valores reais e o tamanho dos erros médios.

Por que o XGBoost se destaca

Ambas as abordagens de aprendizado de máquina capturaram as principais tendências dos dados, mas o XGBoost teve desempenho claramente superior. Ele previu a resistência à tração e as demais propriedades com muito mais consistência, mostrando maior concordância com os experimentos e menores valores de erro que o Random Forest. Como o XGBoost constrói suas árvores de decisão passo a passo para corrigir erros anteriores, ele consegue seguir mais facilmente os trade-offs sutis entre tamanho de partícula, teor de metal e os ganhos resultantes em rigidez versus perda de alongamento. O modelo também permitiu aos autores quantificar quais entradas eram mais relevantes, reforçando a ideia de que uma quantidade modesta de pó metálico bem distribuído pode melhorar significativamente o comportamento mecânico do PET.

O que isso significa para materiais futuros

Em termos simples, o estudo demonstra que um computador pode aprender, a partir de um conjunto relativamente pequeno de testes bem planejados, como uma nova mistura metal-plástico vai se comportar, e então usar esse conhecimento para orientar projetos melhores. Em vez de fabricar e destruir dezenas de amostras adicionais, engenheiros poderiam perguntar a um modelo XGBoost qual combinação de tamanho de partícula e porcentagem de metal tem maior probabilidade de atender às suas metas de resistência e flexibilidade. Embora este trabalho tenha se concentrado em tração e flexão, a mesma estrutura poderia ser estendida mais tarde a outras propriedades práticas, como compressão e cisalhamento, ajudando a acelerar o desenvolvimento de materiais compósitos mais seguros, leves e eficientes.

Citação: Dandekar, Y.V., Rajput, M.S., Kumar, R.S. et al. Estimation and optimization of reinforcement parameters for composite material using a machine learning approach. Sci Rep 16, 6862 (2026). https://doi.org/10.1038/s41598-026-37295-3

Palavras-chave: plástico reforçado com metal, compósitos poliméricos, materiais e aprendizado de máquina, modelagem XGBoost, propriedades mecânicas