Modelagem híbrida RSM–RNA e otimização do torneamento de precisão do aço CK45 para dispositivos de calibração

Metal mais afiado para medições mais confiáveis

Sempre que um motor a jato, um scanner médico ou um robô de fábrica é verificado quanto à precisão, escondidos na bancada de teste estão eixos metálicos que devem ser quase perfeitamente redondos e lisos. Este estudo investiga como usinar um desses materiais comuns, o aço CK45, de modo que esses eixos de calibração durem mais e forneçam medições mais confiáveis. Os pesquisadores combinam estatística inteligente com inteligência artificial para ajustar o processo de corte, extraindo o melhor desempenho possível tanto do aço quanto das ferramentas de corte.

Por que este aço é tão difícil de conformar

O CK45 é um aço médio‑carbono valorizado pela resistência e facilidade de uso em muitas máquinas, mas torna‑se desafiador quando se exige precisão extrema. Cortá‑lo com ferramentas convencionais pode levar a desgaste rápido da ferramenta, superfícies ásperas e pequenas falhas de forma no eixo acabado. Para dispositivos de calibração, até defeitos na escala de micrômetros podem fazer diferença. A equipe concentra‑se em quatro ajustes que o torneiro pode controlar: a velocidade de rotação da peça, a velocidade de avanço da ferramenta, a profundidade de corte e o raio da ponta da ferramenta. Juntos, esses parâmetros controlam a rapidez com que o metal é removido, quão rugosa ou lisa fica a superfície, quão redondo o eixo permanece e quanto a ferramenta se desgasta.

Mesclando estatística e inteligência artificial

Para dominar esse problema complexo, os pesquisadores utilizam uma estratégia híbrida de “cérebro e números”. Primeiro aplicam uma abordagem estatística chamada metodologia de superfície de resposta, que projeta um conjunto compacto de experimentos e ajusta superfícies matemáticas suaves que relacionam os quatro parâmetros do processo a resultados como taxa de remoção de material, rugosidade superficial, desgaste da ferramenta, erro de circularidade e dureza. Sobre isso, treinam redes neurais artificiais — modelos computacionais inspirados no aprendizado do cérebro — para captar comportamentos não lineares mais intrincados que equações simples podem perder. Os eixos de aço são torneados em um torno controlado por computador usando pastilhas de nitreto cúbico de boro, e cada ensaio é cuidadosamente medido com microscópios e instrumentos de precisão para alimentar dados precisos em ambos os tipos de modelos.

Encontrando o ponto ideal para velocidade, qualidade e vida útil da ferramenta

Com esses modelos em mãos, a equipe busca condições de corte que equilibrem vários objetivos ao mesmo tempo: remover metal de forma eficiente, manter a superfície lisa e circular, endurecer levemente a camada externa do aço e minimizar o desgaste da ferramenta. Descobriram que a velocidade do spindle é a alavanca dominante: aumentá‑la inicialmente melhora a remoção de material e o acabamento superficial, mas forçar demais provoca superaquecimento da ferramenta e da peça, aumentando o desgaste e a rugosidade. A taxa de avanço e a profundidade de corte têm efeitos igualmente sutis — valores moderados ajudam, enquanto extremos causam vibração, fluxo de cavacos instável e erros de forma. Ao combinar todas as respostas em uma única pontuação de “desejabilidade”, identificaram uma configuração ótima: cerca de 3000 rotações por minuto, um avanço médio e uma profundidade de corte moderada com uma ponta de ferramenta levemente arredondada.

O que acontece dentro do metal e da ferramenta

O estudo não se limita aos números. Em condições de corte ruins, imagens de microscopia eletrônica mostram a superfície do aço picada por padrões dendríticos irregulares e grossos — evidência congelada de aquecimento e deformação desiguais. As pontas das ferramentas acumulam cavacos presos e sulcos profundos, sinal de desgaste rápido. Em contrapartida, sob as condições otimizadas, a microestrutura da superfície do aço torna‑se muito mais uniforme, com características dendríticas finas e espaçadas de forma homogênea, sem trincas ou crateras. As pastilhas de corte permanecem afiadas, exibindo apenas marcas de desgaste pequenas e suaves. Os modelos de rede neural predizem essas melhorias com erros tipicamente abaixo de 6%, e os modelos estatísticos confirmam que as tendências são robustas, não aleatórias.

Eixos melhores, medições melhores

Em termos simples, os autores mostram que uma mistura cuidadosamente ajustada de estatística tradicional e aprendizado de máquina pode dizer aos torneiros exatamente como cortar o aço CK45 para que os eixos de calibração fiquem mais lisos, mais redondos e mais duráveis, enquanto as próprias ferramentas de corte duram mais. Ao relacionar desempenho externo (quão rápido o metal é removido e quão liso fica) à estrutura interna (como os grãos do aço se organizam e como a ferramenta se erosiona), o trabalho fornece uma receita para fabricar peças de alta precisão que sustentam medições mais confiáveis na indústria e na pesquisa.

Citação: Farouk, W.M., Ahmed, A.G., Gamil, M. et al. Hybrid intelligent RSM–ANN modeling and optimization of precision turning of CK45 steel for calibration devices. Sci Rep 16, 11358 (2026). https://doi.org/10.1038/s41598-026-43388-w

Palavras-chave: torneamento de precisão, aço CK45, desgaste da ferramenta, rugosidade superficial, otimização por rede neural