Resumo Técnico: Descoberta Baseada em Dados de Descritores de Rugosidade para Caracterização de Superfície e Modelagem de Contato Íntimo em Fitas de Compósito Unidirecional

1. Problema e Contexto

A fabricação de estruturas de compósitos termoplásticos unidirecionais depende criticamente da consolidação de fitas pré-impregnadas (pre-preg). Para garantir a coesão mecânica entre as fitas, são necessárias duas condições físicas na interface:

1. Contato Íntimo (Intimate Contact): A superfície das fitas deve se aproximar o suficiente para eliminar vazios de ar.
2. Difusão Inter-molecular: Ocorre a difusão das macromoléculas do polímero através da interface (teoria do reptação de De Gennes), que depende do tempo, temperatura e da qualidade do contato íntimo.

O principal desafio identificado é que a rugosidade da superfície das fitas determina a evolução do grau de contato íntimo. No entanto, os descritores estatísticos tradicionais de rugosidade (como Ra, Rz) são incapazes de:

• Classificar corretamente fitas de diferentes fornecedores (essencial para controle de processo).
• Prever a evolução do contato íntimo durante a consolidação.
• Capturar a física real do fenômeno, especialmente quando se considera apenas a micro-rugosidade (após remover a componente macro-geométrica), onde técnicas de Análise Topológica de Dados (TDA) falham devido à falta de estruturas topológicas persistentes.

A questão de pesquisa central é: Quais descritores de rugosidade permitem simultaneamente a classificação de fitas e a modelagem da consolidação (inferência da evolução do contato íntimo)?

2. Metodologia Proposta

2.1. Simulação de Consolidação (Geração de Dados)

Para criar um banco de dados de treinamento, os autores utilizaram uma simulação numérica de alta fidelidade:

• Método: Autômato Celular (Cellular Automaton) em 2D.
• Entrada: Perfis de rugosidade transversal medidos experimentalmente (1011 perfis de 12 fitas de diferentes fornecedores).
• Processo: Simulação de uma placa rígida comprimindo a fita a velocidade constante. As células de material "amolecido" deslocam-se para células de ar adjacentes.
• Saída: A evolução temporal do Grau de Contato Íntimo (DIC - Degree of Intimate Contact), definido como a razão entre o comprimento de contato e a largura total da fita.

2.2. Arquitetura de Aprendizado: Autoencoder de Redução de Rank (RRAE)

Para extrair descritores relevantes, os autores propuseram uma arquitetura inovadora baseada em Autoencoders com Redução de Rank (Rank Reduction Autoencoders - RRAE).

• Estrutura:

  • Encoder: Redes convolucionais 1D que extraem características do perfil de rugosidade.
  • Espaço Latente Linear: Diferente de autoencoders tradicionais que aprendem uma compressão não-linear genérica, o RRAE impõe uma estrutura linear no espaço latente.
  • Decomposição SVD Truncada: Durante o treinamento, aplica-se uma Decomposição em Valores Singulares (SVD) truncada no espaço latente. Isso força os modos latentes a serem ortogonais e representativos de modos físicos.
  • Decoder: Reconstrói o perfil de rugosidade original a partir dos modos latentes.
  • Ramos de Saída: Dois Multi-Layer Perceptrons (MLPs) conectados ao espaço latente:
    1. Classificador: Prevê a classe da fita (fornecedor).
    2. Preditor de DIC: Prevê a curva de evolução do contato íntimo.

• Função de Perda: Uma combinação ponderada de três termos:

  1. Erro de reconstrução do perfil de rugosidade ($L_r$).
  2. Erro de classificação ($L_c$).
  3. Erro de previsão do DIC ($L_{DIC}$).

2.3. Pré-processamento de Dados

• Separação de escalas: Os perfis foram divididos em macro-rugosidade (geometria global) e micro-rugosidade (resíduos após remoção da tendência macro).
• A TDA falhou na micro-rugosidade (acurácia < 70%), pois a topologia é dominada por "ruído" não persistente. O RRAE foi testado especificamente para ver se conseguia extrair sinais físicos dessa micro-rugosidade.

3. Contribuições Chave

1. Descoberta de Descritores Físicos: Demonstração de que é possível extrair um conjunto pequeno e controlado de descritores latentes (modos SVD) que capturam tanto a geometria da superfície quanto a cinética de consolidação.
2. Arquitetura Híbrida RRAE: A introdução de uma estrutura de autoencoder que combina aprendizado profundo (CNNs) com álgebra linear estruturada (SVD) no espaço latente, garantindo robustez e interpretabilidade física.
3. Unificação de Tarefas: O modelo realiza simultaneamente classificação de fornecedores e previsão de curvas de consolidação complexas (alta dimensionalidade) com alta precisão.
4. Validação contra Métodos Tradicionais: Comparação rigorosa mostrando a superioridade do RRAE sobre Autoencoders Clássicos (AE) e Redes Encoder-Decoder supervisionadas convencionais.

4. Resultados

4.1. Classificação de Superfícies

• Macro-rugosidade: Um único descritor latente foi suficiente para classificação perfeita (100% de acurácia).
• Micro-rugosidade: A TDA falhou, mas o RRAE conseguiu classificar com quase 100% de acurácia utilizando 4 modos latentes. Isso prova que a micro-rugosidade contém informações discriminativas que não são ruído, mas sim padrões físicos sutis.

4.2. Previsão do Contato Íntimo (DIC)

• Com 5 modos latentes ($k_{max}=5$), o modelo alcançou:
  • Reconstrução do perfil de rugosidade com erro médio de ~5%.
  • Previsão da curva DIC com erro médio de ~2% no conjunto de teste.
  • A maioria dos erros manifestou-se como um pequeno deslocamento temporal (shift), sem distorção da forma da curva.
• Comparação com $k_{max}=4$: Embora aceitável para reconstrução, a precisão na classificação caiu (2 erros) e o erro cumulativo no DIC aumentou em ~30%, indicando que 4 modos não são suficientes para capturar todas as variáveis físicas necessárias para ambas as tarefas simultaneamente.

4.3. Arquitetura Estendida (Desacoplamento)

Os autores testaram uma arquitetura onde os modos de rugosidade e os modos intrínsecos do DIC são aprendidos separadamente. Isso permitiu atingir classificação perfeita e precisão de DIC com apenas 4 modos de rugosidade, mas a complexidade adicional não trouxe ganhos significativos em relação à arquitetura original mais simples.

4.4. Comparação com Outras Arquiteturas

• Encoder-Decoder Supervisionado: Sofreu de sobreajuste (overfitting) e produziu oscilações numéricas não físicas. O erro cumulativo foi quase o dobro do RRAE.
• Autoencoder Clássico (Linear): Para atingir desempenho similar ao RRAE, exigiu um espaço latente muito maior ($k_{max}=12$) e ainda falhou em uma classificação. Isso destaca a eficiência dimensional e a interpretabilidade física do RRAE (modos ortogonais vs. combinações lineares aprendidas sem ordem).

5. Significância e Conclusões

O trabalho demonstra que a descoberta de descritores baseada em dados supera os descritores estatísticos clássicos e métodos de topologia de dados para o controle de qualidade de compósitos termoplásticos.

• Eficiência: O RRAE consegue comprimir a complexidade de perfis de rugosidade e sua resposta física em apenas 5 variáveis latentes.
• Robustez: A arquitetura é menos sensível à sintonia de hiperparâmetros do que redes neurais convencionais, sendo ideal para conjuntos de dados limitados (comuns em engenharia de materiais).
• Aplicabilidade Industrial: O método permite:
  • Controle de Processo em Tempo Real: Classificar fitas e prever a qualidade de consolidação antes da fabricação.
  • Redução de Refugo: Identificar fitas com micro-rugosidade inadequada que levariam a falhas de consolidação.
  • Adaptabilidade: O framework pode ser re-treinado facilmente se o modelo físico for refinado (ex: mudança de velocidade constante para força constante), incorporando novos dados diretamente no espaço latente.

Em suma, o RRAE oferece uma ferramenta poderosa para desvendar os "drivers ocultos" da qualidade de união em compósitos, unindo caracterização geométrica e modelagem física em um único espaço de baixa dimensão.