Aplicações de aprendizagem de máquina em engenharia de materiais

Abstract

Este trabalho apresenta uma análise abrangente sobre a aplicação de técnicas de aprendizagem de máquina na Engenharia de Materiais, destacando seu papel no enfrentamento de desafios associados ao desenvolvimento, previsão de propriedades e otimização de processos na área. A pesquisa é estruturada em dois artigos científicos: o primeiro realiza uma revisão sistemática da literatura publicada entre 2015 e 2023, identificando as principais técnicas empregadas, como redes neurais e Deep Learning, além das subáreas mais beneficiadas, como materiais metálicos, compósitos e nanomateriais. O segundo artigo aborda um estudo de caso sobre a aplicação de inteligência artificial para otimizar a fabricação sustentável de ferro fundido nodular austemperado. Um exemplo concreto é o desenvolvimento de uma RNA que correlaciona propriedades mecânicas (Rmax, LE, %A, HB) e custos de composição química com elementos químicos específicos (%C, %Si, %Mn, entre outros), conforme dados fornecidos pelo ASM Handbook. Este modelo demonstra como o aprendizado de máquina pode prever composições químicas ideais para atender propriedades desejadas, economizando tempo e reduzindo custos nos processos industriais. Os resultados evidenciam que as técnicas de aprendizagem de máquina permitem reduzir custos, acelerar o tempo de desenvolvimento de materiais e melhorar a confiabilidade na determinação das propriedades dos materiais. No entanto, desafios como a qualidade dos dados e a necessidade de padronização ainda limitam sua implementação prática. Conclui-se que a integração entre ciência dos materiais e ciência da computação é essencial para o avanço no desenvolvimento de novos materiais e processos otimizados, promovendo a adoção mais ampla de tecnologias baseadas em inteligência artificial na engenharia de materiais.

This work provides a comprehensive analysis of the application of machine learning techniques in Materials Engineering, highlighting their role in addressing challenges related to material development, property prediction, and process optimization. The research is structured into two scientific articles: the first presents a systematic literature review of studies published between 2015 and 2023, identifying key techniques such as neural networks and deep learning, as well as the most benefited subfields, including metallic materials, composites, and nanomaterials. The second article focuses on a case study applying artificial intelligence to optimize the sustainable manufacturing of austempered ductile iron. The results show that machine learning techniques can reduce costs, accelerate material development timelines, and improve the accuracy of property predictions. However, challenges such as data quality and the need for standardization still limit their practical implementation. It is concluded that the integration of materials science with computer science is essential for advancing the field and fostering the broader adoption of artificial intelligence-based technologies.