Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network

Este estudo desenvolve uma rede neural baseada em DeepONets aprimorada com modulação FiLM e inversão de Kalman de conjunto para prever probabilisticamente as deformações induzidas pelo processo em compósitos de carbono/epóxi, integrando simulações de alta fidelidade e dados experimentais limitados para otimizar ciclos de cura não isotérmicos.

O essencial

Imagine que você está assando um bolo muito especial, feito com camadas de massa e um recheio que encolhe quando esfria. O problema é que, se você não controlar perfeitamente a temperatura do forno, o bolo não sai redondo e liso; ele fica torto, curvado ou até rachado. Isso acontece porque a massa e o recheio reagem de formas diferentes ao calor e ao frio.

Na indústria de materiais avançados (como peças de aviões e carros feitos de fibra de carbono), esse "bolo" é uma peça de compósito. Quando eles são curados (aquecidos para endurecer), surgem tensões internas que fazem a peça se deformar. Se a peça sair torta, ela não serve para o avião.

Este artigo é sobre como os cientistas criaram um "super-olho" artificial para prever e corrigir essas deformações antes mesmo de fabricar a peça. Vamos desvendar como eles fizeram isso, usando analogias simples:

1. O Problema: O "Bolo" que Dobra

Quando o material é aquecido, ele se expande. Quando esfria, ele encolhe. Mas a fibra de carbono e a resina (o "cola") encolhem em ritmos diferentes. É como se duas pessoas estivessem segurando as pontas de um elástico: uma puxa mais forte que a outra. O resultado? A peça se curva.

Os cientistas precisavam saber exatamente como aquecer e resfriar o material para que ele ficasse reto. Fazer isso apenas com testes reais é caro e demorado (é como tentar assar 100 bolos para ver qual temperatura é a perfeita).

2. A Solução: O "Simulador de Voo" (Simulação)

Primeiro, eles criaram um modelo matemático complexo (uma simulação no computador) que imita a física do processo. É como um simulador de voo para pilotos: você pode testar milhares de cenários de temperatura sem gastar uma gota de combustível real.

• Eles rodaram milhares de simulações com diferentes curvas de temperatura.
• O resultado foi um "mapa" gigante de como o material se comporta.

3. O Cérebro Artificial: A "Máquina de Ler Histórias" (DeepONet)

Aqui entra a inteligência artificial. Em vez de usar uma IA comum que apenas memoriza dados, eles usaram uma DeepONet (Rede de Operadores Profundos).

• A Analogia: Imagine que uma IA comum é um aluno que decora a resposta de uma pergunta específica. A DeepONet é como um professor que aprendeu a lógica por trás de todas as perguntas. Se você der a ela uma nova curva de temperatura (uma história nova), ela consegue prever o resultado (a deformação) sem ter visto aquele caso específico antes.
• O Truque do "FiLM": Eles adicionaram um ajuste fino chamado FiLM. Pense nisso como um equalizador de som. O "volume" da previsão muda dependendo de uma variável extra: o quanto o material já estava "cozido" antes de começar o teste (chamado de grau de cura inicial). Isso permite que a IA entenda que o mesmo aquecimento gera resultados diferentes se o material já estiver meio endurecido ou totalmente fresco.

4. O Desafio: Poucos Dados Reais (Aprendizado por Transferência)

O problema é que, no mundo real, eles só conseguem medir a deformação no final do processo (quando o bolo já saiu do forno). Eles não podem medir a deformação a cada minuto enquanto o forno está ligado.

• A Solução: Eles usaram uma técnica chamada Aprendizado por Transferência.
• A Analogia: Imagine que você treinou um atleta por anos em uma academia (simulação) e ele ficou muito forte. Agora, você precisa que ele corra uma maratona real, mas só tem um cronômetro para medir o tempo final. Você não treina o atleta do zero; você pega o atleta já treinado e faz apenas um ajuste final na sua postura para garantir que ele cruze a linha de chegada no tempo certo.
• A IA foi treinada com milhões de dados de simulação e, depois, apenas a "última camada" foi ajustada com os poucos dados reais que eles tinham. Isso permitiu prever a história completa da deformação, mesmo sem ter medido o tempo todo.

5. A Segurança: O "Grupo de Especialistas" (Incerteza e EKI)

Como saber se a IA não está alucinando? Eles usaram uma técnica chamada Inversão de Kalman de Ensemble (EKI).

• A Analogia: Em vez de confiar em um único oráculo, eles criaram um conselho de 2.000 "especialistas" (réplicas da IA). Cada um faz uma previsão ligeiramente diferente.
• Se todos os especialistas concordam, a previsão é segura. Se eles discordam muito, o sistema avisa: "Ei, estamos inseguros aqui!". Isso cria uma "faixa de segurança" ao redor da previsão, mostrando onde o erro pode acontecer. É como ter um mapa que diz: "A estrada está aqui, mas pode estar um pouco desviada entre estes dois pontos".

6. O Resultado Final: O "Forno Perfeito"

Com tudo isso montado, eles usaram o sistema para encontrar a receita perfeita de temperatura.

• O sistema testou milhões de combinações de aquecimento e resfriamento.
• Encontrou uma curva específica que minimiza a deformação, garantindo que a peça saia reta e forte.
• O resultado foi uma redução de 8% a 10% na deformação em comparação com os métodos antigos.

Resumo em uma frase

Os cientistas criaram um "oráculo digital" que aprendeu a física de materiais com simulações, ajustou-se com poucos testes reais e usa um conselho de especialistas para garantir que as peças de fibra de carbono saiam retas, economizando tempo, dinheiro e evitando defeitos na fabricação.

Resumo técnico

Resumo Técnico: Previsões Probabilísticas de Deformação Induzida por Processo em Compósitos de Carbono/Epóxi usando Deep Operator Networks

1. O Problema

Compósitos reforçados com fibras termofixas são amplamente utilizados em setores críticos como aeroespacial, energia eólica e automotivo devido à sua alta relação resistência-peso. No entanto, durante o processo de cura, a incompatibilidade entre os coeficientes de expansão térmica da fibra e da matriz, combinada com a contração da matriz durante a cura, gera tensões residuais. A liberação parcial dessas tensões resulta em Deformação Induzida por Processo (PID - Process-Induced Deformation), que pode levar a peças fora das tolerâncias de projeto e defeitos.

O desafio central é prever e mitigar essa deformação através da otimização de ciclos de cura não isotérmicos. Métodos tradicionais baseados em elementos finitos (FE) são precisos, mas computacionalmente caros, tornando a otimização iterativa e a quantificação de incertezas (UQ) proibitivamente lentas. Além disso, dados experimentais são frequentemente escassos e disponíveis apenas em instantes limitados (ex.: deformação final), dificultando o treinamento direto de modelos de aprendizado de máquina.

2. Metodologia

Os autores desenvolveram um framework híbrido que integra simulação física de alta fidelidade, aprendizado de máquina baseado em operadores e inferência bayesiana.

• Modelagem Física e Validação Experimental:

  • Foi utilizado um compósito unidirecional AS4/epóxi 3501-6.
  • Um modelo de duas etapas (termoquímico e tensão-deformação) foi desenvolvido usando ABAQUS e COMPRO, considerando expansão térmica, contração de cura e evolução de viscosidade.
  • O modelo foi validado contra ensaios experimentais em laboratório com ciclos de cura isotérmicos e não isotérmicos, medindo a deformação final de laminados assimétricos [0/90].

• Deep Operator Networks (DeepONets) com FiLM:

  • Para superar a limitação de dados, foi desenvolvido um DeepONet (Rede de Operador Profunda). Diferente de redes neurais tradicionais que mapeiam vetores, o DeepONet aprende mapeamentos entre espaços de funções (ex.: perfil de temperatura $\to$ histórico de deformação).
  • Foi introduzida uma arquitetura FiLM (Feature-wise Linear Modulation) para condicionar a rede a parâmetros externos, especificamente o grau de cura inicial ($DoC_0$). Isso permite que a rede capture como o estado inicial do material influencia a evolução da viscosidade, $DoC$ e deformação.

• Aprendizado por Transferência (Transfer Learning):

  • Para lidar com a discrepância entre dados de simulação (densos no tempo) e dados experimentais (escassos, apenas no final), utilizou-se uma estratégia de transferência.
  • O DeepONet foi primeiro treinado em um grande conjunto de dados de simulação. Em seguida, apenas a última camada da rede foi ajustada (fine-tuning) usando os dados experimentais de deformação final, mantendo o operador aprendido da simulação fixo. Isso evita overfitting e permite reconstruir históricos completos a partir de observações parciais.

• Quantificação de Incerteza e Otimização via EKI:

  • Para quantificar a incerteza epistêmica, o framework utiliza Inversão de Ensemble Kalman (EKI). O EKI é um método livre de gradiente que evolui um conjunto de partículas (pesos da rede) para estimar a distribuição posterior, oferecendo intervalos de confiança.
  • Redes cKANs (Chebyshev enhanced Kolmogorov Arnold Networks) foram incorporadas ao DeepONet para melhorar a eficiência computacional e a expressividade.
  • O framework foi utilizado para otimizar o perfil de temperatura, variando um ponto intermediário de controle ($t_1, T_1$) para minimizar a deformação final, sujeito à restrição de cura completa ($DoC \ge 0.99$).

3. Contribuições Principais

1. Framework de Surrogato Híbrido: Integração bem-sucedida de simulações físicas de alta fidelidade com DeepONets para prever históricos temporais completos de propriedades de cura ($DoC$, viscosidade, deformação).
2. Arquitetura FiLM-DeepONet: Adaptação de redes de operadores para lidar com condições iniciais variáveis ($DoC_0$) através de modulação linear, permitindo generalização para diferentes estados de pré-cura.
3. Estratégia de Transferência para Dados Escassos: Demonstração de como ajustar redes treinadas em simulação para dados experimentais reais usando apenas o ponto final de deformação, mantendo a consistência física.
4. Quantificação de Incerteza Robusta: Aplicação do EKI ao treinamento de DeepONets, fornecendo não apenas previsões, mas também estimativas de incerteza calibradas, essenciais para tomada de decisão em engenharia.
5. Otimização de Ciclo de Cura: Uso do modelo treinado para identificar ciclos de cura não isotérmicos que minimizam a deformação, validando a eficácia do método em reduzir defeitos.

4. Resultados

• Validação do Modelo: As simulações validadas mostraram concordância com os dados experimentais, com erros inferiores a 10% para ciclos otimizados e dentro do desvio padrão experimental para o ciclo base.
• Desempenho do DeepONet: O modelo FiLM-DeepONet conseguiu reconstruir com precisão os históricos de tempo de $DoC$, viscosidade e deformação para diferentes perfis de temperatura e condições iniciais. A transformação logarítmica da viscosidade foi crucial para lidar com sua ampla faixa dinâmica.
• Incerteza e EKI: O uso de EKI gerou intervalos de confiança que cobriram consistentemente as trajetórias de referência (simulação). Após o transfer learning, as previsões para dados experimentais ajustaram-se ao valor final medido, enquanto a incerteza aumentava nas regiões temporais sem dados experimentais, refletindo uma estimativa conservadora e realista.
• Otimização: O algoritmo de otimização identificou um perfil de temperatura ótimo (ponto intermediário em $t \approx 1.61$ min, $T \approx 133^\circ$C) que reduziu a deformação final, alinhando-se com resultados anteriores de otimização baseada em física, mas com custo computacional drasticamente reduzido.

5. Significância

Este trabalho representa um avanço significativo na fabricação de compósitos ao demonstrar como o aprendizado de máquina baseado em operadores pode ser utilizado para criar surrogatos rápidos e confiáveis de processos complexos de cura. A abordagem proposta resolve o dilema comum entre a precisão física e a eficiência computacional, permitindo:

• Design de Ciclo de Cura sob Incerteza: A capacidade de otimizar processos considerando não apenas a média, mas também a variabilidade e a confiança das previsões.
• Aproveitamento de Dados Limitados: A estratégia de transferência de aprendizado permite que dados experimentais escassos sejam usados para refinar modelos complexos sem a necessidade de re-treinar todo o sistema do zero.
• Escalabilidade: A metodologia é extensível a outros sistemas de materiais e processos de manufatura, estabelecendo uma base para o design robusto de ciclos de cura em ambientes industriais onde a variabilidade é inevitável.

Em suma, o estudo oferece uma ferramenta prática para a indústria de compósitos reduzir defeitos, economizar tempo de desenvolvimento e garantir a qualidade de componentes estruturais críticos.