Short-time solution heat treatment of recycled A383 HPDC alloy: microstructure–property relationships and ensemble machine learning analysis

Resumo Técnico: Tratamento Térmico de Solução de Curta Duração para Liga A383 de HPDC Reciclada

Definição do Problema
Ligas de fundição sob pressão (HPDC) de A383 (Al–Si–Cu) recicladas oferecem vantagens significativas de custo, mas apresentam desafios únicos para o tratamento térmico convencional. A solidificação rápida inerente à HPDC cria uma microestrutura heterogênea contendo camadas de resfriamento refinadas, subsuperfícies enriquecidas com soluto e distribuições complexas de porosidade. Além disso, variantes recicladas contêm níveis elevados de intermetálicos ricos em Fe (como $\beta$-Al$_5$FeSi). Cronogramas de tratamento térmico de solução (SHT) convencionais, tipicamente realizados acima de 500 °C por durações estendidas, frequentemente induzem severo empolamento superficial (blistering), distorção e dispersão de propriedades em componentes de HPDC devido à expansão de gases aprisionados (ar, hidrogênio e vapores de lubrificantes de matriz). Embora conceitos de "tratamento térmico rápido" tenham sido propostos para mitigar o empolamento, a evolução microestrutural específica e a resposta mecânica da A383 reciclada sob condições de SHT de baixa temperatura e curta duração permanecem insuficientemente compreendidas. Adicionalmente, há uma carência de estruturas baseadas em dados para otimizar essas janelas de processamento.

Metodologia
O estudo empregou uma abordagem experimental sistemática combinada com análise de aprendizado de máquina (ML) de conjunto (ensemble):

• Material e Processamento: Liga A383 reciclada foi fundida via HPDC de câmara fria. Os corpos de prova foram submetidos a tratamento térmico de solução a uma temperatura fixa de 490 °C (dentro da janela livre de empolamento) por durações variando de 15 a 180 minutos (especificamente 15, 30, 60, 90, 120 e 180 min), seguidos de têmpera em água.
• Caracterização:
  • Propriedades Mecânicas: Foram realizados testes de dureza, condutividade elétrica e tração (UTS, YS, elongação). Parâmetros de encruamento ($n$ e $K$) foram derivados através da relação de Hollomon.
  • Análise Microestrutural: Imagens ópticas e de MEV (SEM) foram utilizadas para quantificar a morfologia do Si eutético (razão de aspecto, área, arredondamento) e intermetálicos ricos em Fe. Varreduras de linha de EDS rastrearam a homogeneização de Cu através das dendritas de $\alpha$-Al. Porosidade e empolamento foram monitorados para garantir a validade do processo.
  • Modelagem Cinética: A cinética aparente de amolecimento e redistribuição de soluto foi analisada utilizando modelos do tipo Avrami aplicados aos dados de dureza e condutividade.
• Aprendizado de Máquina (ML): Quatro modelos de regressão baseados em árvores (Árvore de Decisão, Random Forest, AdaBoost e XGBoost) foram treinados no conjunto de dados experimental ($n=7$ condições). Os modelos foram utilizados como ferramentas interpretativas para interpolação de tendências e identificação da janela de processamento, em vez de uma previsão generalizável além do domínio estudado.

Principais Resultados

• Evolução Microestrutural:
  • Si Eutético: Ocorreu fragmentação e esferoidização rápidas nos primeiros 15 minutos, reduzindo a razão de aspecto do Si de 4,0 (como fundido) para 1,9. O tratamento prolongado ($\ge$120 min) levou ao coalescimento gradual.
  • Homogeneização de Cu: A análise de EDS revelou uma redistribuição substancial de Cu dentro das dendritas de $\alpha$-Al, atingindo uma distribuição próxima ao estado estacionário em 90 minutos.
  • Cinética: A análise de Avrami identificou um comportamento de amolecimento em dois estágios com um ponto de transição em aproximadamente 90 minutos. O estágio inicial (15–90 min) foi caracterizado por fragmentação controlada por difusão ($n \approx 0,51$), enquanto o estágio posterior (120–180 min) envolveu rearranjo acelerado e coalescimento ($n \approx 2,45$).
• Propriedades Mecânicas:
  • Resistência vs. Ductilidade: O SHT resultou em um compromisso (trade-off) onde a resistência diminuiu e a ductilidade aumentou. A Resistência à Tração ($UTS$) caiu de 316 MPa (como fundido) para 287 MPa em 120 min. O Limite de Escoamento ($YS$) diminuiu de 162 MPa para 124 MPa. Inversamente, a elongação aumentou significamente de 4,6% para 14,7% em 120 min.
  • Janela Ótima: O equilíbrio mais favorável entre retenção de resistência e aumento de ductilidade foi observado na faixa de 90–120 minutos. Além de 120 minutos, ocorreu um amolecimento adicional com retornos decrescentes na elongação.
• Desempenho de Aprendizado de Máquina:
  • Entre os quatro modelos testados, o AdaBoost forneceu a representação mais consistente dos dados experimentais, alcançando valores de $R^2$ de 0,98 para UTS, 0,96 para YS e 0,84 para elongação.
  • A análise de ML interpolou com sucesso as tendências não lineares, confirmando a janela ótima de SHT de 90–120 minutos. Funções polinomiais de segunda ordem ajustadas às previsões do AdaBoost atingiram $R^2 > 0,999$, servindo como aproximações substitutas (surrogate) suaves para otimização de processo.

Significância e Alegações
O artigo afirma estabelecer um quadro quantitativo para a otimização do SHT de curta duração em ligas de HPDC A383 recicladas. A principal significância reside em demonstrar que um SHT de curta duração (490 °C por 90–120 min) pode substituir os cronogramas de solubilização de 6 horas convencionais, reduzindo o tempo de processamento em aproximadamente 80%, mantendo um equilíbrio favorável entre resistência e ductilidade. Esta abordagem evita o empolamento e garante estabilidade dimensional, tornando-a adequada para aplicações automotivas leves e eletrônicos.

O estudo enfatiza que a integração da caracterização experimental com ML de conjunto (especificamente AdaBoost) oferece um método robusto para identificar janelas de processamento ótimas, mesmo com conjuntos de dados limitados. Os autores posicionam este trabalho como um passo em direção ao design de processos baseados em dados e energeticamente eficientes, observando que trabalhos futuros visarão generalizar estas descobertas incorporando variações de temperatura, respostas de envelhecimento e métricas de porosidade.