Pesquisadores da prestigiada Universidade de Tecnologia de Nanjing alcançaram um marco significativo no campo da manufatura aditiva. Eles conceberam um modelo inovador de inteligência artificial (IA) que promete transformar a produção de peças metálicas. Este sistema, fundamentado em princípios físicos robustos, foi especificamente desenhado para prever, de forma operacional e rápida, os regimes de temperatura durante o processo de Manufatura Aditiva por Arco de Arame (WAAM).
A divulgação dos resultados deste trabalho na conceituada revista Communications Engineering sinaliza um passo crucial para elevar a qualidade e a estabilidade das peças metálicas fabricadas por impressão 3D. A inovação central reside na criação de uma rede neural geométrica recorrente informada fisicamente. Esta metodologia híbrida integra com sucesso as leis fundamentais da física com o potencial da aprendizagem profunda (deep learning), permitindo uma modelagem dinâmica e precisa do comportamento térmico do material.
Um dos feitos mais críticos alcançados é a velocidade de processamento. Enquanto as abordagens convencionais, como a modelagem por elementos finitos, podem demandar até uma hora para gerar resultados precisos, o novo modelo exibe uma performance surpreendente. Ele é capaz de fornecer a previsão necessária em meros 12 milissegundos. Esta rapidez é vital para a implementação eficaz de ciclos de feedback de circuito fechado nos ambientes industriais de ponta.
A equipe de pesquisa, liderada por Minxuan Tian, da Escola de Engenharia Mecânica e de Energia, enfrentou um desafio duplo: superar a lentidão computacional inerente às simulações clássicas e, simultaneamente, mitigar o acúmulo de erros frequentemente observado em modelos puramente orientados por dados. Nos testes práticos, que incluíram a impressão camada por camada de estruturas de aço de paredes finas utilizando uma instalação robótica WAAM, o modelo demonstrou uma margem de erro máxima na previsão de aproximadamente 4,5% nas simulações e 13,9% nos ensaios reais.
O sistema possui a capacidade de prognosticar de forma estável a evolução da temperatura por um período crucial de até 10 segundos. Este intervalo temporal é fundamental para a gestão eficiente dos fluxos de calor e para a consequente redução das tensões residuais. O controle térmico na impressão 3D de metais é, de fato, a pedra angular do processo, visto que o aquecimento ou resfriamento desigual invariavelmente resulta em defeitos graves, como fissuras e deformações, comprometendo irremediavelmente a integridade da peça final.
A inclusão de restrições físicas diretamente na arquitetura da rede neural assegura que as previsões sejam sempre fisicamente coerentes. Isso permite que o sistema generalize dados de maneira eficaz para uma vasta gama de geometrias e modos de processo. Além disso, os pesquisadores destacaram que a otimização do tempo de treinamento, alcançada através da aprendizagem por transferência (transfer learning), eleva substancialmente a aplicabilidade prática e a adaptabilidade desta tecnologia a diferentes cenários de produção. Este avanço metodológico pavimenta o caminho para a implementação de sistemas de controle antecipatório (feed-forward control) na manufatura aditiva, capacitando as máquinas a corrigirem parâmetros, como o aporte de calor ou a velocidade de alimentação do arame, antes que qualquer problema se manifeste.
