Predizendo a porosidade em vasos compostos de hidrogênio de alta pressão usando IA cognitiva fuzzy aumentada e parâmetros do processo de fabricação

Por que bolhas minúsculas importam nos tanques de hidrogênio

Tanques de hidrogênio de alta pressão são a espinha dorsal da mobilidade limpa do futuro, desde carros a célula a combustível até armazenamento industrial. Esses vasos precisam ser ao mesmo tempo muito fortes e muito leves, por isso são construídos com camadas de fibra de carbono enroladas em torno de um forro plástico. Mas dentro dessas camadas podem surgir pequenos vazios — chamados porosidades. Em excesso, ou no local errado, um tanque que deveria durar anos pode falhar. Este estudo explora como uma forma interpretável de inteligência artificial pode aprender com dados reais de fábrica para prever quantas porosidades aparecerão em um tanque e quais partes do processo de enrolamento mais influenciam seu controle.

Construindo uma concha de hidrogênio mais segura

Os tanques examinados neste trabalho são os chamados vasos de hidrogênio Tipo IV, usados em veículos e sistemas estacionários. Eles consistem em um forro polimérico envolvido por muitas camadas de fibras de carbono embebidas em resina, um processo conhecido como wet filament winding (enrolamento úmido por filamento). Durante o enrolamento, dezenas de parâmetros podem ser ajustados: quão tensionado cada carretel de fibra é puxado, quão rápido o mandril interno gira, o ângulo em que as fibras cruzam a superfície, a velocidade de deposição das camadas e quanto de resina uma pequena lâmina metálica espalha sobre as fibras. Regras de certificação permitem algum nível de porosidade, mas vazios excessivos enfraquecem a estrutura e podem ameaçar a segurança. Como a interação física entre todos esses fatores é extremamente complexa, os autores recorreram à modelagem orientada a dados em vez de tentar escrever uma equação física completa.

Inteligência artificial transparente para sistemas de alto risco

Regulamentações europeias classificam decisões sobre a segurança de tanques de hidrogênio como usos de IA de alto risco. Isso significa que os modelos não podem ser caixas‑pretas: engenheiros e reguladores devem ser capazes de entender como as previsões são feitas. Métodos como redes neurais profundas ou grandes conjuntos de árvores de decisão podem ser precisos, mas sua lógica interna é essencialmente opaca. Os autores, portanto, usaram o XTRACTIS, uma chamada IA Cognitiva Fuzzy Aumentada. Em vez de ocultar seu raciocínio, o XTRACTIS constrói automaticamente conjuntos de regras IF…THEN legíveis por humanos que ligam variáveis do processo selecionadas a resultados. Ele também pontua quão simples ou complexos são os modelos, premiando versões que dependem de menos entradas e regras, mantendo boa capacidade preditiva.

Das medições de fábrica às regras aprendidas

Coletar dados sobre tanques reais é caro porque cada vaso em escala real custa vários milhares de euros e deve ser escaneado por tomografia 3D por raios‑X. O estudo, portanto, trabalhou com apenas 12 tanques, divididos em 180 camadas individuais de enrolamento. Para cada camada, havia disponível 58 potenciais preditores descrevendo tensões, velocidades, ângulos, controle de resina e outras escolhas de projeto, juntamente com as porosidades medidas por raios‑X. A equipe concentrou‑se em prever o logaritmo do número de poros em vez da contagem bruta, o que suaviza valores extremos. O XTRACTIS explorou milhares de configurações de modelo e usou uma estratégia rigorosa de validação cruzada, treinando e testando repetidamente em diferentes divisões dos dados para evitar overfitting. Em seguida, destilou o melhor conjunto de modelos em uma única "experiência virtual" baseada em regras, mais simples. Em camadas de teste não vistas, esse especialista reproduziu a contagem de poros com boa exatidão, com erros de previsão abaixo de cerca de 8% e forte correlação entre valores previstos e observados.

O que o modelo revela sobre fabricar tanques melhores

Como o modelo final é expresso como um pequeno conjunto de regras fuzzy IF…THEN, seu comportamento pode ser lido quase como diretrizes de engenharia. As regras mostram que manter a tensão das fibras uniforme e dentro de uma faixa saudável é crucial: quando as tensões em diferentes carretéis variam demais, algumas regiões ficam frouxas enquanto outras ficam excessivamente tensionadas, criando condições para vazios adicionais. A velocidade de rotação do mandril e o ângulo de enrolamento moldam conjuntamente quão densamente e uniformemente as fibras se compactam; velocidade muito baixa e ângulo raso acarretam má compactação e distribuição da resina. Outro elemento-chave é o controle da resina por meio da lâmina (doctor blade) e o volume total de cada camada. Um fluxo de resina bem ajustado evita tanto zonas de fibra seca quanto bolsões ricos em resina, cada um dos quais favorece a formação de bolhas. O modelo também sugere que carretéis de fibra menores e mais estáveis podem ajudar a manter tensões constantes, reduzindo ainda mais a porosidade.

Limites dos dados e lições para controle de qualidade

Os pesquisadores também tentaram treinar modelos para classificar cada camada em taxa de porosidade baixa versus média‑ou‑alta, uma medida frequentemente usada no chão de fábrica. Tanto o XTRACTIS quanto um algoritmo opaco de árvores potenciadas tiveram desempenho ruim em dados verdadeiramente novos nessa tarefa. Verificações posteriores revelaram que os rótulos da taxa de porosidade eram em si ruidosos, porque todos os poros haviam sido assumidos como esféricos e atribuídos automaticamente às camadas de forma simplificada. Essa rotulagem incorreta provavelmente borrava a fronteira entre as classes. O contraste é instrutivo: onde os valores-alvo são confiáveis, IA transparente pode ser eficaz mesmo com dados limitados; onde os rótulos são duvidosos, nenhum algoritmo pode recuperá‑los. De modo geral, o estudo mostra que modelos interpretáveis baseados em regras fuzzy podem tanto orientar engenheiros em direção a configurações de processo mais seguras quanto destacar fragilidades na medição e preparação dos dados.

Um caminho mais claro para um armazenamento de hidrogênio mais seguro

Em termos simples, este trabalho demonstra que um sistema de IA explicável pode aprender a partir de uma quantidade modesta de dados de fábrica a antecipar quantos vazios microscópicos se formarão dentro da carcaça composta de um tanque de hidrogênio e a identificar quais controles na linha de produção importam mais. As regras resultantes traduzem matemática complexa em conselhos de processo compreensíveis: manter tensões de fibra estáveis, escolher velocidades e ângulos de enrolamento adequados e controlar cuidadosamente o fluxo de resina e o volume das camadas. Embora sejam necessários mais e melhores dados para refinar essas percepções e validá‑las em novos tanques, a abordagem oferece um roteiro promissor para tornar o armazenamento de hidrogênio mais seguro, não substituindo engenheiros, mas fornecendo a eles um parceiro transparente que transforma medições dispersas em compreensão acionável.

Citação: Achour, L., Zalila, Z., Aboura, Z. et al. Predicting porosity in composite high-pressure hydrogen vessels using augmented fuzzy cognitive AI and manufacturing process parameters. Sci Rep 16, 9894 (2026). https://doi.org/10.1038/s41598-026-38447-1

Palavras-chave: armazenamento de hidrogênio, materiais compósitos, defeitos de fabricação, IA explicável, winding por filamento