Closed-loop design of 300 °C Al-Cu alloys via cross-condition knowledge transfer under extreme data scarcity

Resumo Técnico: Design de ciclo fechado de ligas Al-Cu a 300 °C via transferência de conhecimento entre condições cruzadas sob extrema escassez de dados

Definição do Problema
O design de ligas de alumínio-cobre (Al-Cu) que exibem uma sinergia de resistência e ductilidade a 300 °C é crítico para estruturas aeroespaciais de próxima geração. No entanto, alcançar isso para ligas processadas via fundição por gravidade seguida de tratamento térmico T6 (GC+T6) é dificultado pela extrema escassez de dados. Embora os mecanismos de endurecimento subjacentes (governados por precipitados metaestáveis $\theta'$) sejam contínuos através de temperaturas e rotas de processamento, o regime alvo específico de 300 °C GC+T6 sofre de um "gargalo de temperatura-processamento acoplado". Neste domínio específico, apenas cinco pontos de dados experimentais iniciais estavam disponíveis. Métodos convencionais de aprendizado de máquina (ML), que dependem de conjuntos de dados amplos e identicamente distribuídos, tornam-se estatisticamente instáveis em tais regimes esparsos. Além disso, a simples transferência entre temperaturas é insuficiente porque a resposta alvo é determinada conjuntamente pela temperatura de teste e pelo histórico de precipitação específico herdado da rota de processamento GC+T6.

Metodologia
Para abordar isso, os autores desenvolveram um framework de Transferência de Conhecimento entre Condições Cruzadas de Ciclo Fechado (CCKT). A metodologia integra quatro componentes principais:

1. Autoencoder de Wasserstein de Dupla Condição (DC-WAE): Um modelo generativo foi construído para mapear registros heterogêneos de composição–temperatura–processamento–propriedade em um espaço latente unificado. Diferente de encoders padrão que tratam condições como simples rótulos, o DC-WAE codifica temperatura e condições de processamento separadamente. Isso cria uma estrutura latente hierárquica onde a temperatura governa a geometria do manifold global (refletindo amplas mudanças de desempenho através de regimes térmicos) e as condições de processamento refinam os vizinhanças locais. Isso permite que o modelo aproveite dados auxiliares de condições relacionadas (por exemplo, diferentes temperaturas ou rotas de processamento como GC+T7, GC+HE+T6) para informar o domínio alvo esparso.
2. Predição de Surrogato de Ensemble: Para garantir uma predição de propriedades robusta em um regime de poucos dados, os autores empregaram uma estratégia de ensemble combinando Redes Neurais (NN) e Extreme Gradient Boosting (XGBoost). Para cada propriedade (Resistência à Tração Última [UTS] e Alongamento [EL]), seis submodelos com hiperparâmetros otimizados foram agregados. Esta abordagem de ensemble priorizou a estabilidade de predição (reduzindo a variância entre dobras de validação cruzada) sobre ganhos marginais no erro médio, o que é crítico para um ranking confiável de candidatos.
3. Amostragem e Triagem Adaptativa: Candidatos de composição foram gerados amostrando o espaço latente usando um Modelo de Mistura Gaussiana (GMM) restrito por um discriminador de rede neural que enviesa a busca para regiões de alto desempenho. Uma estratégia de triagem de dois estágios foi aplicada: primeiro, um filtro de exploração-explotação reteve os 20% superiores de candidatos tanto para UTS quanto para EL; segundo, estes foram classificados por um índice unificado de resistência–ductilidade ($U_f = \text{UTS} \times \text{EL}$).
4. Feedback Experimental de Ciclo Fechado: Os três principais candidatos de cada iteração foram fabricados e testados a 300 °C sob condições GC+T6. Os dados experimentais resultantes foram alimentados de volta para atualizar os ensembles de surrogato, o discriminador e o amostrador do espaço latente, contraindo progressivamente a janela de busca em direção a regiões de alto desempenho.

Resultados Principais
O framework foi validado através de dois ciclos iterativos começando de apenas cinco amostras iniciais do domínio alvo:

• Primeira Iteração: O framework identificou o candidato A1 (Al-5.2Cu-0.4Mn-0.1Mg), que alcançou um UTS de 142 ± 1 MPa e um alongamento de 14,6 ± 0,9%. Isso representou um aumento de 54,7% no índice integrado de resistência–ductilidade ($U_f$) comparado ao ótimo do banco de dados inicial.
• Segunda Iteração: O refinamento impulsionado por feedback levou à descoberta da liga Al-6.5Cu-0.6Mn-0.1Mg (pct. em peso) (Amostra B1). Esta liga alcançou um UTS de 155 ± 4 MPa e um alongamento de 17,0 ± 1,2% a 300 °C.
• Melhoria de Desempenho: Em relação ao ótimo inicial do banco de dados (Al-7.5Cu-1.0Mn, UTS 134 MPa, EL 10%), a liga otimizada B1 demonstrou um aumento de 15,7% em UTS, uma melhoria de 70,0% em alongamento e um aumento de 96,6% no índice integrado de resistência–ductilidade.
• Mecanismo Microestrutural: A caracterização da liga B1 revelou que a sinergia de alta temperatura surge de uma rede semicontínua de $\text{Al}_2\text{Cu}$ e $\text{Al}_{20}\text{Cu}_2\text{Mn}_3$ (fase T) ao longo dos contornos de grão, que impede o deslizamento do contorno de grão. Adicionalmente, partículas ricas em Mn e precipitados da série $\theta$ retidos ($\theta''$ e $\theta'$) forneceram estabilidade térmica e ancoragem de discordâncias, prevenindo o engrossamento significativo durante a deformação a 300 °C.

Significância e Alegações
O artigo afirma que o framework CCKT demonstra com sucesso que domínios de design de ligas com extrema escassez de dados (tão pouco quanto cinco amostras) podem se tornar aprendíveis através de condições auxiliares fisicamente conectadas. A significância deste trabalho reside em:

1. Mudança de Paradigma: Estabelece um paradigma transferível para o design de ligas de alta temperatura onde a temperatura e o processamento são tratados como dimensões de design transferíveis, em vez de rótulos categóricos que isolam os dados.
2. Eficiência: Alcança o quase dobro do índice de resistência–ductilidade em apenas duas iterações experimentais, evitando a necessidade de experimentação de alto rendimento extensiva no regime alvo.
3. Integração Mecanística: A abordagem baseia-se na continuidade mecanística das ligas Al-Cu (especificamente a estabilidade dos precipitados $\theta'$) através das condições, permitindo que o modelo tome emprestado priors estruturados de condições ricas em dados para compensar a informação de correlação ausente no domínio alvo.
4. Composição Minimalista: A otimização convergiu para um sistema Al-Cu-Mn-Mg minimalista em vez de um sistema microaleado complexo, sugerindo que, sob a rota GC+T6, esta combinação específica é suficiente para suportar a sinergia de alta temperatura sem a necessidade de adições caras de terras raras.

Os autores observam que, embora o framework seja eficaz para problemas mecanisticamente conectados com escassez de dados, sua transferibilidade depende da consistência física e da qualidade do banco de dados auxiliar. Eles também identificam oportunidades futuras para incorporar descritores microestruturais explícitos e restrições baseadas em física para regularizar ainda mais o modelo.