Modelagem substituta assistida por RBF e aprendizado de máquina para predição de propriedades mecânicas na manufatura aditiva por fricção: Aplicação a ligas de alumínio diferentes AA6061/AA7075.

Por que isso importa para peças metálicas do futuro

Carros e aeronaves modernos exigem peças metálicas que sejam resistentes, leves e rápidas de produzir. Uma técnica promissora chamada manufatura aditiva por fricção (FSAM) consegue empilhar camadas de alumínio sem fundi-las, evitando muitos defeitos da impressão 3D por fusão. Mas realizar um grande número de experimentos por tentativa e erro para ajustar os parâmetros do processo é caro e lento. Este estudo mostra como um pequeno conjunto de testes reais, combinado com interpolação matemática e aprendizado de máquina, pode ajudar engenheiros a explorar quais configurações de FSAM têm maior probabilidade de gerar melhor resistência e dureza em peças de alumínio mistas—ao mesmo tempo em que deixa claro o que é previsão e o que ainda precisa ser comprovado em laboratório.

Construindo peças por agitação, não por fusão

FSAM é um processo em estado sólido: uma ferramenta rotativa pressiona placas metálicas empilhadas e se move sobre elas, gerando calor por fricção que amolece—mas não funde—o material. À medida que a ferramenta avança, ela mistura e une material fresco à estrutura, camada por camada. Como o metal nunca chega a fundir completamente, o FSAM evita porosidade e trincas que podem afetar a impressão por fusão e pode produzir grãos finos e uniformes semelhantes aos de metais forjados. Os autores focam em camadas alternadas de duas ligas de alumínio muito usadas, AA6061 e AA7075, dispostas em duas ordens de empilhamento (6061-sobre-7075 e 7075-sobre-6061), para estudar como os parâmetros do processo afetam a resistência à tração e a dureza Vickers.

Fazendo mais com apenas nove experimentos

Um desafio central é a escassez de dados: experimentos FSAM em escala real são caros, demorados e limitados pela disponibilidade de máquinas e restrições de segurança. Aqui, foram realizados apenas nove experimentos cuidadosamente escolhidos (um desenho Taguchi L9), variando três controles: velocidade de rotação da ferramenta, velocidade de avanço e ângulo de inclinação. Para preencher as lacunas entre esses nove pontos, a equipe usou uma técnica matemática chamada interpolação por função de base radial (RBF). A RBF toma os dados medidos e constrói uma superfície suave através do espaço de três parâmetros. A partir dessa superfície substituta, eles geraram 882 pontos de dados sintéticos, criando efetivamente um mapa “virtual” denso de como resistência e dureza podem variar dentro da janela testada de velocidades e ângulos.

Ensinando modelos a aprender a substituta, não o mundo

Com esse conjunto enriquecido de 891 pontos (9 reais + 882 sintéticos), os autores treinaram três modelos de regressão diferentes: Regressão por Processo Gaussiano (GPR), Regressão por Vetores de Suporte (SVR) e Regressão Bayesiana Ridge. Esses modelos foram solicitados a prever resistência à tração e dureza para ambas as sequências de empilhamento, dados os três parâmetros do processo. O GPR se destacou, reproduzindo os valores baseados em RBF com erros frequentemente abaixo de 1% e altos escores R² (tipicamente acima de 0,85 no conjunto sintético). O SVR mostrou subestimação moderada e principalmente sistemática, e a Bayesian Ridge—um método linear—teve dificuldades com o comportamento fortemente não linear, especialmente para dureza. Crucialmente, os autores enfatizam que esse desempenho quase perfeito significa que os modelos aprenderam muito bem a substituta RBF; isso ainda não prova que eles capturam toda a variabilidade complexa dos experimentos FSAM reais.

Quais controles importam mais nessas condições?

Para tornar os modelos interpretáveis, o estudo usa SHAP (SHapley Additive exPlanations), uma ferramenta que atribui uma pontuação de importância a cada parâmetro de entrada para cada previsão. Dentro do espaço de projeto sintético, a velocidade de rotação da ferramenta surge como o principal fator para a resistência à tração em ambas as ordens de empilhamento, seguida pela velocidade de avanço e, em geral, o ângulo de inclinação aparece como terceiro, bem distante. Para a dureza, o quadro é mais equilibrado: velocidades de rotação e avanço trocam de importância dependendo de o 6061 estar acima do 7075 ou vice-versa. A análise também destaca que a sequência de empilhamento em si importa—a configuração 7075-sobre-6061 tende a alcançar maior resistência e dureza sob condições de processamento semelhantes, alinhando-se com a maior resistência de base do AA7075.

O que este arcabouço pode e não pode afirmar

Para checar o realismo, os autores realizam testes leave-one-out nos nove experimentos originais. Os erros aí são de vários por cento—muito maiores do que nos pontos sintéticos—mostrando que as medições reais são mais ruidosas e que a substituta não pode ainda ser tratada como verdade fundamental. Os autores são explícitos sobre essa limitação: seu arcabouço é uma forma de explorar tendências e identificar regiões promissoras do espaço de parâmetros quando há apenas um punhado de experimentos disponíveis. Qualquer configuração “ótima” escolhida a partir dos mapas sintéticos é, neste estágio, uma hipótese que ainda precisa de confirmação experimental independente. Mesmo assim, a abordagem oferece um roteiro reutilizável para outros problemas de manufatura com poucos dados, combinando experimentos esparsos, interpolação suave, aprendizado de máquina probabilístico e análise explicável para orientar testes de seguimento mais inteligentes em vez de tentativas cegas por erro e acerto.

Citação: Venkatachalam, K., Selvaraj, S.K., Mannayee, G. et al. RBF-assisted surrogate modeling and machine learning for mechanical property prediction in friction stir additive manufacturing: Application to dissimilar AA6061/AA7075 aluminum alloys.. Sci Rep 16, 14168 (2026). https://doi.org/10.1038/s41598-026-42608-7

Palavras-chave: manufatura aditiva por fricção, ligas de alumínio, modelagem substituta, regressão por processo gaussiano, dados sintéticos