Controle por aprendizado por reforço integrado ao conhecimento de domínio de um absorvedor de vibração tunável não linear sob excitação não estacionária

Máquinas mais silenciosas para um mundo barulhento

De trens de alta velocidade a compressores de fábrica, muitas máquinas vivem num mundo de vibração constante. Essas vibrações desperdiçam energia, desgastam peças e tornam o ambiente ruidoso e desconfortável. Este artigo explora uma nova forma de acalmar esses tremores usando uma combinação de borracha inteligente e um programa de computador que aprende, com o objetivo de construir absorvedores de vibração que se ajustem automaticamente conforme as condições mudam.

Por que amortecedores comuns ficam curtos

Absorvedores de vibração tradicionais são frequentemente afinados para uma faixa estreita de condições. Eles funcionam bem quando a máquina vibra numa única frequência estável, mas ambientes industriais reais estão longe de ser estáveis. Temperaturas sobem e caem, componentes envelhecem, a umidade varia e o próprio padrão de vibração pode migrar por muitas frequências ao mesmo tempo. Absorvedores semiatutivos modernos feitos de materiais inteligentes, como borracha controlada magneticamente, podem alterar sua rigidez e amortecimento em tempo real. Contudo, porque esses materiais se comportam de modo complexo e com deriva, é extremamente difícil construir um modelo matemático fixo que permaneça preciso ao longo do tempo, e a maioria dos controladores baseados em regras não consegue acompanhar.

Ensinando um amortecedor a aprender

Os autores propõem uma estratégia diferente: em vez de modelar meticulosamente cada detalhe do absorvedor e do ambiente, eles deixam que o sistema aprenda diretamente a partir dos dados de vibração. Eles usam um ramo da inteligência artificial chamado aprendizado por reforço, no qual um controlador experimenta ações diferentes e recebe uma “recompensa” quando as vibrações diminuem. Aqui, a ação é a intensidade do campo magnético aplicado à borracha inteligente, que altera sua rigidez e seu amortecimento. Em vez de trabalhar com traços temporais brutos, o controlador converte as medições em conteúdo de frequência — quanto de energia de vibração está em cada tom — para que possa raciocinar na mesma linguagem usada por engenheiros para descrever o comportamento vibratório.

Usando a física para tornar o aprendizado mais eficiente

Aprender de forma ingênua a partir de todo padrão de vibração possível levaria tempo demais, porque máquinas reais enfrentam inúmeras combinações de frequências e amplitudes. Para evitar isso, os autores incorporam princípios básicos da física das vibrações no processo de aprendizado. Eles usam uma ideia simples, porém poderosa: a energia medida no tempo é igual à energia medida na frequência. Isso lhes permite definir o problema de aprendizado em torno da energia total de vibração, em vez de cada ondulação no sinal. Também focam em aprender a resposta em frequência do sistema — como cada configuração possível do absorvedor altera o nível de vibração em cada frequência — em vez de memorizar respostas para cenários individuais. Isso reduz enormemente o problema e transforma cada medição em um episódio de aprendizado rápido e autocontido, acelerando o treinamento enquanto permanece independente de qualquer modelo detalhado do material.

Testes no mundo real com borracha inteligente

Para verificar se a abordagem funciona na prática, os pesquisadores testaram-na em um sistema real composto por um compressor linear acoplado a um bloco de elastômero magnetorreológico, uma borracha preenchida com partículas de ferro que se torna mais rígida sob campo magnético. O controlador observou as vibrações por sensores, ajustou o campo magnético em oito passos discretos e atualizou sua descrição interna de como o absorvedor se comportava. Com o tempo, aprendeu a resposta verdadeira do sistema com alta precisão, apesar da rigidez da borracha ter derivado lentamente ao longo de vários dias de operação. Quando desafiado com padrões complexos e mutáveis de vibração formados por múltiplas frequências cujas frequências e amplitudes variaram ao longo de minutos, o controlador aprendido reduziu a energia de vibração em até 58 por cento em comparação com o caso sem controle e quase igualou o melhor desempenho que poderia ser alcançado testando exaustivamente todas as configurações fixas possíveis.

O que isso significa para máquinas futuras

Em termos práticos, o estudo mostra que um amortecedor de vibração pode ser ensinado a “ouvir” uma máquina, entender como ela está vibrando no momento e se reconfigurar sem um projeto detalhado do hardware. Ao combinar um insight físico simples com um algoritmo de aprendizado, os autores criam um controlador que é ao mesmo tempo eficiente e adaptável, capaz de lidar com materiais que mudam e com padrões de vibração reais e bagunçados. Essa abordagem pode levar a máquinas mais silenciosas e duradouras em veículos, fábricas e outros cenários onde as condições são complexas demais para o controle de vibração tradicional, projetado manualmente.

Citação: Park, JE., Kang, H. & Kim, YK. Domain knowledge-integrated reinforcement learning control of nonlinear tunable vibration absorber under nonstationary excitation. Sci Rep 16, 10849 (2026). https://doi.org/10.1038/s41598-026-45189-7

Palavras-chave: controle de vibrações, materiais inteligentes, aprendizado por reforço, amortecimento adaptativo, elastômero magnetorreológico