Otimização multiresposta e predição baseada em aprendizado de máquina do conformamento incremental a quente com ranhura reta da liga de magnésio AZ31

Formando metais leves com mais facilidade

De carros e aviões a implantes médicos, os fabricantes buscam metais mais leves que economizem combustível e melhorem o desempenho. As ligas de magnésio são especialmente atraentes por serem ao mesmo tempo leves e resistentes, mas também são difíceis de conformar à temperatura ambiente e podem trincar com facilidade. Este estudo explora uma maneira mais inteligente de formar peças a partir de uma liga de magnésio comum, AZ31, aquecendo-a moderadamente e usando métodos baseados em dados — incluindo aprendizado de máquina — para encontrar parâmetros que sejam rápidos, energeticamente eficientes e menos propensos a danificar o material.

Como uma ferramenta em movimento esculpe suavemente uma chapa metálica

Em vez de prensar uma chapa metálica em um molde sólido em um único impacto, o conformamento incremental de chapas usa uma ferramenta arredondada que percorre um caminho sobre o metal, empurrando-o um pouco mais a cada passada. Neste trabalho, a equipe concentrou-se em uma forma de ranhura reta: um canal simples formado em chapas AZ31 de 1 mm de espessura. A chapa é fixada sobre uma câmara de aquecimento elétrica personalizada para que possa ser aquecida a 200–250 °C, e uma máquina controlada por computador (CNC) move a ferramenta passo a passo enquanto um sensor de força mede quão forte a ferramenta precisa empurrar e quanto tempo o processo leva até que a chapa finalmente fracture.

Convertendo muitos ensaios em uma receita única ótima

Como quatro parâmetros diferentes — temperatura, profundidade de passo por passada, velocidade do spindle e taxa de avanço — podem ser ajustados, os pesquisadores usaram um plano de testes estruturado chamado desenho de Taguchi para executar 27 experimentos escolhidos cuidadosamente em vez de testar todas as combinações possíveis. Em seguida, aplicaram um método de ranqueamento conhecido como TOPSIS que combina dois objetivos simultaneamente: manter as forças de conformação baixas (para reduzir desgaste e consumo de energia) e manter os tempos de conformação curtos (para melhorar a produtividade). Esse método atribui a cada ensaio uma pontuação única, chamada coeficiente de proximidade, que indica quão próximo ele chega do melhor resultado imaginável — força baixa e tempo baixo juntos.

Calor e pequenos passos fazem o trabalho pesado

A análise mostrou que dois parâmetros são os mais importantes: a temperatura da chapa e a profundidade de cada passo vertical da ferramenta. Aquecer a chapa AZ31 a cerca de 250 °C torna sua estrutura cristalina interna mais flexível, permitindo que ela se estique com mais facilidade e exigindo menos força para conformar. Ao mesmo tempo, usar uma profundidade de passo menor distribui a deformação de forma mais suave, evitando deformações locais agudas que retardam o processo e aumentam a força. A velocidade de rotação da ferramenta e a taxa de avanço tiveram apenas influência menor dentro das faixas testadas. Ao combinar os ranqueamentos estatísticos, a equipe previu um conjunto de condições ainda melhor do que qualquer experimento isolado e então confirmou essa predição em um teste complementar, que superou ligeiramente todos os ensaios anteriores.

Ensinando um computador a prever o processo

Para ir além do método tentativa-e-erro, os pesquisadores treinaram um modelo de aprendizado de máquina chamado Random Forest para prever o tempo de conformação, a força de conformação e a pontuação de desempenho TOPSIS a partir dos quatro parâmetros do processo. Mesmo com apenas 27 pontos de dados experimentais, o modelo aprendeu os padrões com precisão suficiente para prever força e tempo com alta acurácia. Ele também destacou de forma independente a temperatura e a profundidade de passo como as alavancas dominantes, reforçando os achados estatísticos. No nível microscópico, imagens em microscópio eletrônico das paredes da ranhura fraturada mostraram sinais clássicos de fratura dúctil — cavidades profundas e cristas de rasgamento — indicando que, em condições de aquecimento, o metal se alonga extensivamente antes de finalmente romper.

O que isso significa para a manufatura no mundo real

Em termos práticos, este trabalho mostra como os fabricantes podem convencer um metal leve e difícil de conformar a tomar forma combinando aquecimento controlado com ajuste criterioso de apenas alguns parâmetros-chave. A abordagem híbrida — mesclando experimentos planejados, ranqueamento multicritério e aprendizado de máquina — fornece uma receita prática para escolher temperaturas e tamanhos de passo que mantêm as forças baixas e os tempos de produção razoáveis, sem a necessidade de testar todas as possibilidades na oficina. A mesma estratégia pode ser estendida para outras ligas e geometrias, ajudando fábricas a projetar peças mais leves de forma mais rápida, segura e eficiente.

Citação: Khot, A.A., Magdum, R.A., Magdum, A.R. et al. Multi-response optimization and machine learning-based prediction of straight-groove warm incremental sheet forming of AZ31 magnesium alloy. Sci Rep 16, 6432 (2026). https://doi.org/10.1038/s41598-026-37761-y

Palavras-chave: conformamento incremental de chapas, liga de magnésio AZ31, conformamento a quente, otimização de processo, aprendizado de máquina na manufatura