Previsão da conformabilidade global de aços destinados ao setor automotivo por meio de ensaios de tração : uma abordagem por aprendizado de máquina.

Abstract

As Curvas Limite de Conformação (CLCs) são amplamente empregadas pela indústria automotiva para a verificação das deformações limites nos processos que envolvem conformação mecânica de chapas finas, como é o caso da estampagem. Sendo a CLC um instrumento aliado à redução de custos, avaliação das ferramentas de estampagem e seleção de materiais. Entretanto, seu levantamento experimental é um processo que demanda tempo, recursos laboratoriais específicos e é limitado à disponibilidade de amostras relativamente grandes. Estudar a correlação e a previsão das CLCs à estricção e as propriedades mecânicas em tração surge como uma alternativa à estas limitações. Nesse caso, diversos modelos teóricos clássicos foram criados, como o de Keeler-Brazier (KB) e Marciniak-Kuczynski (MK). Entretanto, esses modelos são limitados à alguns materiais e, se comparados aos dados reais, possuem erros relativamente grandes. Visando determinar a conformabilidade dos aços destinados ao setor automotivo, por meio da previsão da curva limite de conformação e sua relação com diferentes propriedades mecânicas, modelos de aprendizado de máquina, juntamente com ensaios laboratoriais de tração e de curva limite de conformação foram empregados. Os resultados de previsão foram comparados com dados experimentais, cujos resultados de previsão se mostraram promissores, com erro relativo médio total entre os resultados experimentais e aqueles previstos pelo modelo final de 7%. Esse erro pode ser considerado baixo, haja vista que as CLCs são usualmente empregadas com margens de segurança da ordem de 10 a 20%. Ademais, o uso de técnicas de inteligência artificial explicável (eXplainable Artificial Intelligence ou XAI) mostraram as variáveis que mais afetaram a previsão da conformabilidade, apresentando um caminho para a otimização e melhoria dos aços avaliados.