🔬 materials science

Probabilistic Deep Learning Framework for Phase Transformation Forecasting aided by In Situ High temperature Microscopy

Este artigo introduz um framework de aprendizado profundo probabilístico que unifica compressão de imagem, predição temporal e previsão de microestrutura para prever com precisão a evolução da ferrita de Widmanstätten em aço S235 sob histórias térmicas arbitrárias usando dados de microscopia in situ de alta temperatura.

Autores originais: Ioannis Kouroudis, Niki Balestrieri, Stefan Rotzsche, Niccolo Radice, Peter Mayr, Alessio Gagliardi

Publicado 2026-09-16

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ioannis Kouroudis, Niki Balestrieri, Stefan Rotzsche, Niccolo Radice, Peter Mayr, Alessio Gagliardi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A resistência, a tenacidade e a durabilidade do aço em uma ponte, na estrutura de um carro ou em um arranha-céu não são determinadas apenas pelos produtos químicos misturados ao metal fundido. Elas são decididas pela arquitetura invisível que se forma dentro do metal enquanto ele esfria. Quando o aço é aquecido e depois deixado para esfriar, sua estrutura interna se rearranja em diferentes formas e padrões, de forma muito semelhante à água congelando em cristais de gelo. A velocidade com que o metal esfria dita quais padrões emergem. Se esfriar rapidamente, um tipo de cristal se forma; se esfriar lentamente, um diferente assume o controle. Esses padrões microscópicos, conhecidos como fases, são os juízes definitivos de como o material se comportará sob estresse. Para os engenheiros, prever exatamente como esses padrões se formarão é um desafio de alto risco. Os métodos tradicionais dependem de tabelas estáticas que assumem uma velocidade de resfriamento constante e imutável, mas a fabricação no mundo real frequentemente envolve temperaturas complexas e variáveis que essas tabelas não conseguem capturar.

Uma equipe de pesquisadores da Universidade Técnica de Munique desenvolveu uma nova maneira de resolver esse problema, ensinando um computador a observar o aço esfriar em tempo real e a prever seu futuro. Em vez de depender de diagramas estáticos, eles usaram um microscópio poderoso para filmar a superfície do aço S235 enquanto ele se transformava de um estado quente e fundido em uma estrutura sólida. Eles então alimentaram essas gravações de vídeo, juntamente com o histórico exato de temperatura do processo de resfriamento, em um sistema de inteligência artificial sofisticado. Este sistema aprendeu a comprimir os detalhes visuais complexos da superfície do aço em um resumo simples, que então utilizou para prever como a estrutura interna evoluiria segundo a segundo. O resultado é uma ferramenta que não apenas adivinha o resultado final, mas prevê toda a jornada da transformação, incluindo o quão certo ou incerto é essa previsão em qualquer momento dado.

Os pesquisadores focaram em um tipo específico de estrutura de aço chamado ferrita de Widmannstätten, que aparece como formas de agulha crescendo dentro do metal. Essa estrutura é comum em aços estruturais e influencia significamente sua resistência. Para entender como ela se forma, a equipe aqueceu pequenas amostras de aço S235 a 1.200 graus Celsius, uma temperatura alta o suficiente para derreter a estrutura de grãos interna, e então as deixou esfriar em cinco velocidades diferentes. Eles usaram um microscópio de varredura a laser confocal de alta temperatura para capturar as mudanças na superfície. Este microscópio especializado usa um laser para criar uma imagem nítida do metal mesmo enquanto ele está brilhando de calor, permitindo que os cientistas vejam as estruturas em forma de agulha aparecer e crescer sem a interferência da própria radiação térmica do metal. Eles registraram esses eventos a uma taxa de dez quadros por segundo, criando um filme contínuo da transformação para cada velocidade de resfriamento.

Para dar sentido a esses filmes, os pesquisadores primeiro tiveram que ensinar um computador a identificar as estruturas em forma de agulha automaticamente. Eles desenvolveram um método que varre cada quadro do vídeo, procurando por mudanças específicas de contraste que sinalizam a presença da ferrita. Ao contar os pixels que correspondem a esse padrão, o sistema calculava exatamente qual porcentagem da superfície era coberta por essas estruturas em cada momento. Eles confirmaram que este método era preciso comparando as contagens do computador com fotos laboratoriais tradicionais das mesmas amostras de aço após terem sido resfriadas e tratadas quimicamente para revelar sua estrutura completa. Os dados mostraram um padrão claro: quanto mais rápido o aço esfriava, mais dessas estruturas em forma de agulha se formavam. Quando o resfriamento era rápido, levando cerca de 19 segundos para cair de 800 para 500 graus Celsius, o aço terminava com cerca de 51 por cento desta estrutura. Quando o resfriamento era lento, levando quase 100 segundos, a quantidade caía para cerca de 28 por cento.

O núcleo deste novo framework é um sistema de inteligência artificial de duas partes projetado para prever essa evolução. A primeira parte recebe a imagem inicial da superfície do aço antes de começar a esfriar e a comprime em um resumo digital compacto. Este resumo captura a condição inicial única daquela peça específica de metal. Este resumo, junto com a velocidade de resfriamento, é passado para um segundo sistema mais complexo que atua como um preditor de viagem no tempo. Este sistema observa o histórico de temperatura conforme ele se desenrola e prevê como a porcentagem de estruturas em forma de agulha mudará ao longo do tempo. Ele não fornece apenas um número único; ele oferece uma gama de resultados prováveis, mostrando o caminho mais provável e os limites da incerteza. Para garantir que a previsão seja precisa ao final, um terceiro componente verifica o estado final e corrige a previsão se o sistema principal se desviar ligeiramente do curso.

Os resultados desta abordagem foram notavelmente precisos. Quando os pesquisadores testaram o sistema em amostras de aço que ele nunca havia visto antes, os caminhos previstos da transformação coincidiram com os caminhos observados reais com alta fidelidade. O sistema identificou corretamente quando a transformação começou, quão rápido ela cresceu e quando parou. Em um teste estatístico comparando os valores previstos contra as medições reais, o modelo alcançou uma pontuação de 0,955, indicando uma concordância muito forte. O sistema também quantificou com sucesso sua própria incerteza. Durante os períodos em que o aço estava estável e nada estava mudando, a gama de resultados possíveis era muito estreita. No entanto, conforme a transformação começava e as estruturas em forma de agulha começavam a crescer rapidamente, a gama de incerteza se ampliava, refletindo a variabilidade natural do processo. Essa capacidade de mostrar não apenas o que acontecerá, mas o quão confiante o modelo está nessa previsão, é um passo significativo à frente.

Este trabalho demonstra que é possível ir além de tabelas estáticas e suposições simples para um entendimento dinâmico e probabilístico de como os materiais mudam. Ao combinar imagens de alta velocidade com aprendizado de máquina avançado, os pesquisadores criaram um framework que pode rastrear a vida da estrutura interna de um material conforme ela acontece. Embora o estudo atual tenha focado em um tipo de aço e um padrão estrutural específico, o método foi projetado para ser adaptável. Os pesquisadores sugerem que este mesmo método poderia eventualmente ser aplicado a outros materiais e ciclos de aquecimento mais complexos, como os encontrados na impressão 3D ou na soldagem. O objetivo final é fornecer aos engenheiros uma ferramenta que possa guiar o processo de fabricação em tempo real, permitindo que eles ajustem a velocidade de resfriamento sobre a marcha para alcançar exatamente as propriedades de material que desejam. Isso representa uma mudança de simplesmente observar o passado para moldar ativamente o futuro do desempenho dos materiais.

Resumo Técnico: Estrutura de Aprendizado Profundo Probabilístico para Previsão de Transformação de Fase

Definição do Problema
O desempenho mecânico de materiais estruturais, particularmente aços como o S235, é governado por sua microestrutura, que evolui com base no histórico térmico. Embora os diagramas de Transformação de Resfriamento Contínuo (CCT) convencionais e modelos termodinâmicos (por exemplo, Johnson-Mehl-Avrami-Kolmogorov) forneçam descrições estáticas das transformações de fase, eles sofrem de limitações significativas. Os diagramas CCT são tipicamente medidos para composições únicas e taxas de resfriamento constantes, falhando em capturar ciclos térmicos arbitrários e não monotônicos comuns na soldagem e na manufatura aditiva. Além disso, carecem de informações sobre morfologia microestrutural, distribuição espacial e heterogeneidade de grãos. As abordagens de aprendizado profundo existentes frequentemente tratam a caracterização baseada em imagens, a previsão temporal e a previsão microestrutural como tarefas separadas, focando em estados finais em vez da evolução dinâmica de microestruturas sob trajetórias térmicas arbitrárias. Existe uma lacuna metodológica em unificar essas tarefas para prever a trajetória completa de transformação com quantificação de incerteza utilizando dados de microscopia in situ de alta temperatura.

Metodologia
Os autores propõem uma estrutura de aprendizado profundo probabilístico que unifica a caracterização baseada em imagens e a previsão temporal para dados de microscopia de varredura a laser confocal (HT-CLSM) in situ de alta temperatura. O pipeline consiste em três componentes principais:

Aquisição e Pré-processamento de Dados:
- Experimentos foram conduzidos em aço S235 usando HT-CLSM, capturando vídeo a 10 fps durante o resfriamento de 1200°C sob cinco regimes de resfriamento distintos (Configurações 1–5), caracterizados por tempos $t_{8/5}$ variando de ~19s a ~99s.
- Imagens superficiais iniciais foram processadas usando um pipeline Python/OpenCV. Os frames foram amostrados a 1 fps, convertidos para tons de cinza, normalizados via equalização de histograma e recortados para 800×800 pixels.
- Uma rotina de máscara de gradiente identificou lamelas de ferrita Widmannstätten através do limiar de contraste local, computando a razão de ferrita Widmannstätten (fração de área) para cada frame como a verdade fundamental (ground truth).
Arquitetura do Modelo:
- Autoencoder Variacional $\beta$ ( $\beta$ -VAE): A imagem superficial inicial é comprimida em uma representação latente de baixa dimensão ( $d=20$ ). O $\beta$ -VAE (com $\beta=3$ ) impõe uma compressão mais forte em direção a uma priori normal padrão, garantindo um manifold latente suave e contínuo, onde imagens similares mapeiam para vetores próximos. Isso serve como uma covariável estática representando a microestrutura inicial.
- Transformer de Fusão Temporal (TFT): A representação de imagem latente, a taxa de resfriamento e o histórico completo de temperatura $T(t)$ são alimentados em um TFT. O TFT utiliza codificadores LSTM para dependências locais e atenção de múltiplas cabeças para dependências globais. Ele gera um forecast de quantis (especificamente 0,05, 0,25, 0,5, 0,75, 0,95) da razão de ferrita Widmannstätten ao longo do tempo, capturando a evolução dinâmica.
- Processo Gaussiano (GP): Em paralelo, a mesma representação latente e a taxa de resfriamento são passadas para um GP com um kernel MLP. O GP prevê a razão de equilíbrio (estado final) da ferrita Widmannstätten como um escalar único.
- Estratégia de Fusão: O TFT fornece o perfil de evolução dinâmica, enquanto o GP corrige o nível de equilíbrio. O modelo identifica o ponto de saturação (onde o gradiente da trajetória mediana do TFT é próximo de zero e o tempo excede um período de guarda) e substitui a previsão do TFT pela estimativa de equilíbrio do GP a partir daquele ponto em diante. Isso resulta em uma sequência final com estimativas de pontos corrigidas e intervalos de previsão probabilísticos.

Principais Contribuições

Estrutura Unificada: O trabalho introduz um pipeline único que integra caracterização baseada em imagem, previsão temporal e previsão microestrutural, indo além da separação dessas tarefas na literatura anterior.
Previsão Probabilística: Diferente dos diagramas CCT determinísticos ou modelos de regressão de ponto único, a estrutura fornece previsões específicas de trajetória com quantificação de incerteza (intervalos de previsão). Ela distingue entre fases determinísticas (patamares) e fases estocásticas (rampas de transformação).
Arquitetura Híbrida: A combinação de um $\beta$ -VAE para compressão de imagem estática, um TFT para dinâmica temporal e um GP para correção de equilíbrio aborda o compromisso entre mecanismos de recorrência e atenção, garantindo consistência física com o estado final.
Aplicação In Situ: O método é especificamente projetado e validado para dados de HT-CLSM temporalmente contínuos, capturando dimensões espaciais e temporais simultaneamente sob ciclos térmicos controlados.

Resultados
A estrutura foi avaliada em aço S235 através de cinco configurações de resfriamento (quatro repetições cada) usando uma validação cruzada de 5 dobras ao nível de configuração para garantir a generalização para histórias térmicas não vistas.

Tendências Microestruturais: A análise experimental confirmou um aumento monotônico na fração de ferrita Widmannstätten com o aumento da taxa de resfriamento (de ~28% a 3 K/s para ~51% a 16 K/s), consistente com mecanismos metalúrgicos onde o resfriamento mais rápido suprime o crescimento difusional e promove a formação de placas laterais.
Precisão de Previsão: O modelo TFT corrigido pelo equilíbrio alcançou um coeficiente de determinação global $R^2 = 0,955$ , um Erro Médio Absoluto (MAE) de 0,021 e um Erro Quadrático Médio (RMSE) de 0,038 em todas as amostras de teste.
Dinâmica Temporal: O modelo rastreou com precisão o início da transformação, o crescimento sigmoide e o patamar de saturação. Os intervalos probabilísticos foram estreitos nas regiões de pré-transformação e de patamar, mas alargaram-se durante a transformação ativa, refletindo a variabilidade cinética. Os intervalos de 5–95% envolveram consistentemente as trajetórias da verdade fundamental.
Limitações: O desempenho apresentou certa dispersão em razões extremas (>0,45 e <0,1), atribuída à escassez de dados nos extremos e à dificuldade de localizar transformações displacivas abruptas. A verdade fundamental é limitada a seções superficiais 2D.

Significância
O artigo afirma que esta estrutura verifica a relevância de unificar dados de imagem e temporais para a previsão de transformação de fase. Ao fornecer previsões probabilísticas e específicas de trajetória, em vez de resumos estáticos, o método oferece uma ferramenta mais informativa para entender a cinética de transformação (início, taxa de crescimento, saturação). Os autores afirmam que esta abordagem abre caminho para investigações altamente aceleradas e simplificadas da evolução de materiais sob tratamento térmico. Ela permite a previsão de respostas a histórias térmicas anteriormente não vistas e abre a possibilidade de monitorar e adaptar ciclos térmicos em tempo real. O trabalho serve como uma prova de conceito para o suporte à decisão baseado em dados, com potencial futuro para estender a outros constituintes de fase e otimização de perfis térmicos online.

Mais como este