Aprendizado de máquina explicável guiado pela física para modelagem multiresposta de microusinagem eletroquímica usando eletrodos de grafite polimérico

Peças menores, máquinas mais inteligentes

De implantes médicos a canais minúsculos em eletrônicos, produtos modernos dependem de feições microscópicas escavadas em metais resistentes. Produzir essas estruturas de forma limpa e precisa é difícil, e cada experimento para ajustar o processo consome tempo e dinheiro. Este estudo demonstra como a combinação de princípios físicos e aprendizado de máquina pode ajudar engenheiros a prever o comportamento de um método de usinagem especializado, permitindo alcançar melhores parâmetros com menos testes práticos.

Como o metal pode ser conformado sem corte

O trabalho foca na microusinagem eletroquímica, um método que modela o metal não por corte, mas por dissolução controlada. Uma ferramenta afiada à base de grafite é aproximada de uma peça em aço inoxidável imersa em uma solução salina em circulação, e pulsos elétricos curtos fazem a superfície metálica dissolver-se onde o campo elétrico é mais intenso. Essa abordagem produz furos e canais minúsculos com quase nenhum desgaste da ferramenta e pouco estresse mecânico, sendo atraente para componentes aeroespaciais, dispositivos médicos e microeletrônica. No entanto, o processo é difícil de controlar porque vários fatores — como tensão, concentração de sal e ciclo de trabalho dos pulsos — interagem de maneiras complexas.

Por que o material da ferramenta importa

Os pesquisadores compararam dois tipos de eletrodos de grafite polimérico: uma versão padrão e outra submetida a tratamento criogênico, isto é, resfriada a temperaturas muito baixas para alterar sua estrutura interna. Ao microscópio, a superfície da ferramenta não tratada parecia rugosa e porosa, enquanto a ferramenta tratada mostrava-se mais lisa e uniforme. Essas diferenças se refletiram na forma e na qualidade dos microfuros produzidos. Furos feitos com a ferramenta não tratada tendiam a ter entradas mais largas, paredes em afunilamento e superfícies mais ásperas, enquanto os feitos com a ferramenta tratada eram mais circulares, mais retos e mais lisos. Essas observações confirmaram que o estado da ferramenta tem impacto importante na forma de dissolução do metal e forneceram uma base física para incluir a condição da ferramenta na modelagem.

Ensinando um modelo a respeitar a física

Em vez de alimentar um modelo de aprendizado de máquina apenas com parâmetros brutos como tensão e concentração salina, a equipe construiu características de entrada extras que refletem o funcionamento real do processo. Guiados pela eletroquímica, combinaram variáveis em termos que representam a severidade geral da carga elétrica e a forma como os pulsos elétricos e as propriedades da solução interagem. Usando um conjunto pequeno, porém cuidadosamente desenhado, de 34 experiências, treinaram modelos ensemble para prever quatro resultados-chave simultaneamente: taxa de remoção de material, sobrecorte em relação ao tamanho da ferramenta, grau de afunilamento das paredes e rugosidade da superfície. Eles compararam esses modelos guiados pela física com ajustes polinomiais tradicionais e com modelos que usavam apenas as entradas básicas.

Vendo dentro das decisões do modelo

Os modelos guiados pela física previram os resultados com precisão consistentemente superior tanto às equações tradicionais quanto às versões puramente orientadas por dados. Por exemplo, o melhor modelo explicou mais de 90% da variação no sobrecorte e cerca de 87% da variação na rugosidade de superfície. Igualmente importante, os pesquisadores usaram ferramentas de IA explicável para identificar quais entradas eram mais relevantes. Características que codificavam efeitos combinados de tensão, ciclo de trabalho do pulso e concentração do eletrólito dominaram as previsões, coincidindo com as expectativas da eletroquímica. A condição da ferramenta também apareceu como um fator principal para a precisão geométrica e a qualidade da superfície. Verificações de resíduos e testes com dados embaralhados confirmaram que os erros remanescentes eram em sua maioria aleatórios, e não indícios de uma tendência oculta que o modelo teria deixado passar.

Guiando melhores parâmetros e ferramentas futuras

Ao transformar um punhado de experimentos bem planejados em um preditor confiável e com base física, este trabalho oferece uma forma de explorar parâmetros de processo no computador em vez de fazê-lo inteiramente na oficina. O modelo pode gerar mapas suaves que mostram como mudanças na tensão ou na força da solução afetarão a taxa de remoção de material, o tamanho do furo, o afunilamento e a rugosidade, e destaca regiões operacionais mais amplas e estáveis quando se utilizam ferramentas tratadas criogenicamente. Para engenheiros, isso significa ajuste mais rápido de novos trabalhos, compreensão mais clara das trocas entre velocidade e qualidade, e um caminho para gêmeos digitais e controle adaptativo na microusinagem eletroquímica.

Citação: Reddy, B.V.S., Pradeep, N., Bhaskar, A.S. et al. Physics-guided explainable machine learning for multi-response modeling of electrochemical micro-machining using polymer graphite electrodes. Sci Rep 16, 15623 (2026). https://doi.org/10.1038/s41598-026-46315-1

Palavras-chave: microusinagem eletroquímica, aprendizado de máquina guiado pela física, rugosidade de superfície, microfabricação, eletrodo de grafite polimérico