Machine learning enables roughness-driven inverse design of milling processes

Resumo Técnico: Design Inverso Orientado por Aprendizado de Máquina para Processos de Fresamento

Definição do Problema
O artigo aborda o desafio do design inverso em processos de fresamento, especificamente a tarefa de determinar parâmetros de usinagem e de ferramenta ideais para atingir uma rugosidade superficial alvo. Embora modelos preditivos de marcha direta (mapeando parâmetros para rugosidade) sejam bem estabelecidos, o design inverso é complicado pelo mapeamento "muitos-para-um" inerente aos dados de usinagem. Múltiplas combinações distintas de parâmetros de entrada (por exemplo, velocidade de corte, avanço, geometria da ferramenta) podem gerar resultados de rugosidade superficial idênticos ou quase idênticos devido a interações não lineares complexas e efeitos compensatórios. O treinamento direto de modelos de aprendizado de máquina (ML) ao trocar entradas e saídas frequentemente leva a previsões "médias" que falham em representar conjuntos de parâmetros fisicamente viáveis ou otimizados. Além disso, a escassez de conjuntos de dados experimentais de alta qualidade para treinar modelos de ML robustos constitui uma barreira significativa.

Metodologia
Os autores propõem um framework que acopla modelos de ML treinados de forma direta com a Otimização Bayesiana (BO) para resolver o problema do design inverso sem depender do treinamento de um modelo inverso direto. A metodologia percorre as seguintes etapas:

1. Geração de Conjunto de Dados Sintéticos:

   • Um framework computacional de alta fidelidade baseado em um Método de Solução Direta (FSM) é empregado para gerar um conjunto de dados de 10.000 amostras.
   • O FSM discretiza a aresta de corte, a peça de trabalho e o tempo para simular a topografia da superfície. Ele considera equações cinemáticas envolvendo seis parâmetros de entrada: velocidade de corte ($v_c$), avanço ($f_z$), número de pastilhas ($z$), raio da pastilha ($r_i$), erro de excentricidade radial ($\varepsilon_r$) e erro de excentricidade axial ($\varepsilon_a$).
   • As saídas são a rugosidade superficial média ($S_a$) e a altura máxima da superfície ($S_z$).
   • O modelo computacional foi validado contra dados experimentais de fresamento de face de ferro fundido cinzento HT300, apresentando um erro relativo médio de aproximadamente 7%.

2. Análise de Multiplicidade:

   • Uma análise exploratória utilizando Agrupamento Espacial Baseado em Densidade de Aplicações com Ruído (DBSCAN) confirma a existência de relações muitos-para-um. Configurações de entrada distintas são mostradas como produtoras de características superficiais semelhantes, validando a necessidade de evitar a regressão inversa direta.

3. Treinamento do Modelo Direto:

   • Dois modelos de ML são treinados no conjunto de dados sintético para aprender o mapeamento direto (parâmetros $\to$ rugosidade):
     • Rede Neural Profunda (DNN): Uma rede totalmente conectada com uma arquitetura em formato de funil (três camadas ocultas: 512, 256, 128 nós) usando ativação ReLU, normalização de lote (batch normalization) e dropout.
     • Floresta Aleatória (RF): Um conjunto (ensemble) de árvores de decisão.
   • Ambos os modelos foram otimizados usando Optuna para ajuste de hiperparâmetros (ex: taxa de aprendizado, profundidade, número de árvores) para cenários de saída única ($S_a$) e saída múltipla ($S_a, S_z$). O modelo RF geralmente demonstrou um Erro Quadrático Médio (MSE) de validação inferior ao da DNN.

4. Design Inverso via Otimização Bayesiana:

   • Os modelos de ML treinados servem como proxies diferenciais e rápidos dentro de um loop de Otimização Bayesiana.
   • O objetivo é minimizar o desvio entre a rugosidade prevista e um alvo especificado pelo usuário.
   • Para abordar a tendência da BO de convergir para ótimos locais e a natureza discreta dos parâmetros de ferramenta, o framework enumera explicitamente as variáveis discretas (número de pastilhas e raio) e executa otimizações separadas para cada combinação. Uma penalidade de diversidade também é incorporada para incentivar uma exploração mais ampla do espaço de parâmetros contínuos.

Resultados Principais
O framework foi avaliado através de dois estudos de caso visando diferentes regiões da distribuição de rugosidade:

• Caso 1 (Baixa Rugosidade): Alvo $S_a = 2$, $S_z = 10$. O framework identificou com sucesso soluções viáveis diversas. O modelo RF alcançou um erro relativo médio de 2,12% para $S_a$ e 1,93% para $S_z$ em relação à referência computacional, superando a DNN (4,96% e 3,74%, respectivamente).
• Caso 2 (Alta Rugosidade): Alvo $S_a = 6$, $S_z = 33$. Apesar da distribuição de dados mais esparsa nesta região, o framework identificou conjuntos de parâmetros válidos. O modelo RF manteve alta precisão com erros relativos médios de 1,1% para $S_a$ e 2,7% para $S_z$.

Em ambos os cenários, os candidatos de design de melhor desempenho alcançaram erros relativos médios abaixo de 5% quando comparados aos resultados computacionais de referência. O estudo demonstra que o modelo RF geralmente fornece precisão preditiva e robustez superiores em comparação com a DNN neste contexto específico.

Significância e Alegações
O artigo afirma apresentar uma metodologia robusta para o design inverso de processos de fresamento que supera as limitações de mapeamentos muitos-para-um e escassez de dados. Ao integrar modelos de ML diretos com Otimização Bayesiana, a abordagem evita as armadilhas de previsões médias inerentes à regressão inversa direta. O framework identifica com sucesso combinações diversas e ótimas de parâmetros de usinagem e de ferramenta para atender a alvos específicos de qualidade superficial.

Os autores enfatizam que o método proposto é particularmente valioso para reduzir o processo de tentativa e erro no design de manufatura. Eles observam que, embora o estudo atual dependa de dados sintéticos gerados a partir de um modelo geomético, o framework é flexível o suficiente para incorporar restrições adicionais (ex: seleções de ferramentas específicas ou negligenciar erros de excentricidade) e poderia ser estendido para incluir fenômenos físicos como forças de corte ou vibrações em trabalhos futuros. O trabalho conclui que este pipeline de design inverso orientado por ML oferece um caminho confiável para determinar parâmetros de processo com erros de previsão aceitáveis, facilitando um planejamento de manufatura mais eficiente e inteligente.