Avanços em galvanoplastia: previsão inteligente da espessura do revestimento de zinco em aços SAE 1008

Abstract

Avanços em inteligência artificial (IA) possibilitam reduzir tempos de análise, custos e melhorar processos industriais. Este trabalho integra uma revisão da literatura e uma abordagem experimental sobre a aplicação de IA na eletrodeposição de zinco em aços de baixo carbono. A revisão, realizada na base Web of Science, revelou estudos ainda incipientes, indicando espaço para pesquisas que explorem o aprendizado de máquina (ML) na otimização do processo de galvanização. Experimentalmente, modelos preditivos de espessura de revestimento, essencial para resistência à corrosão conforme a norma NBR 10476 (ABNT,2016), foram desenvolvidos utilizando regressão multivariada, random forest e xgboost. O modelo xgboost destacou-se, com R² de 0,95 e MSE de 0,815, mostrando-se eficaz na previsão de resultados. Os modelos de IA permitem otimizar parâmetros do processo (tempo de processo, concentrações de ZnO/NaOH, material do ânodo e aditivos), melhorando a qualidade e reduzindo custos. Conclui-se que a IA oferece um caminho promissor para avanços na galvanização de aços de baixo carbono.

Advances in artificial intelligence (AI) make it possible to reduce analysis times, costs and improve industrial processes. This work integrates a literature review and an experimental approach to the application of AI in the electrodeposition of zinc in low carbon steels. The review, carried out on the Web of Science database, revealed studies that are still incipient, indicating room for research that explores machine learning (ML) in the optimisation of the galvanising process. Experimentally, predictive models for coating thickness, essential for corrosion resistance according to standard NBR 10476 (ABNT,2016), were developed using multivariate regression, random forest and xgboost. The xgboost model stood out, with an R² of 0.95 and an MSE of 0.815, proving effective in predicting results. AI models make it possible to optimise process parameters (process time, ZnO/NaOH concentrations, anode material, and additives), improving quality and reducing costs. It is concluded that AI offers a promising way forward for galvanising low carbon steels.