Physics-Informed Machine Learning for Predicting Buckling Performance and Damage Evolution in Graphene Reinforced Basalt/Epoxy Composites

Resumo Técnico: Aprendizado de Máquina Informado pela Física para a Predição do Desempenho de Flambagem e Evolução de Dano em Compósitos de Basalto/Epóxi Reforçados com Grafeno

Definição do Problema
Compósitos de polímero reforçado com fibra de basalto (BFRCs) oferecem uma alternativa sustentável e de alta resistência às fibras de vidro e carbono para aplicações estruturais leves. No entanto, sua utilidade em engenharia avançada é limitada pela fraca adesão interfacial fibra-matriz, iniciação prematura de danos e estabilidade compressiva limitada. Especificamente, os compósitos de basalto frequentemente sofrem com microflambagem e instabilidade das fibras sob cargas de compressão, levando à delaminação e redução da tolerância ao dano. Embora a funcionalização com nanomateriais, particularmente o óxido de grafeno reduzido (rGO), tenha mostrado promessa no aumento da rigidez da matriz e da ligação interfacial, as pesquisas existentes geralmente abordam essas melhorias de forma isolada — seja modificando a matriz ou revestindo as fibras. Há uma carência de frameworks integrados que explorem simultaneamente a funcionalização de fase dupla e traduzam esses incrementos em nanoescala para a estabilidade estrutural em macroescala, particularmente sob condições de flambagem não linear e dano progressivo. Além disso, a otimização de projeto tradicional depende de análise de elementos finitos (FEA) computacionalmente dispendiosa, tornando impraticável a exploração de vastos espaços de design (parâmetros geométricos e sequências de empilhamento).

Metodologia
O estudo propõe um framework integrado experimental-computacional combinando funcionalização de rGO de fase dupla, modelagem multiescala e aprendizado de máquina (ML) informado pela física.

1. Fabricação e Caracterização de Materiais:
   Quatro sistemas de compósitos foram fabricados utilizando a técnica de Moldagem por Transferência de Resina Assistida a Vácuo (VARTM):

   • BEC: Basalto/epóxi (controle).
   • BREC: Matriz epóxi modificada com rGO (0,75 wt.% de rGO).
   • CBEC: Fibras de basalto revestidas com rGO (0,3 wt.% de rGO via deposição eletroforética).
   • CBREC: Sistema híbrido com matriz modificada por rGO e fibras revestidas.
     As propriedades mecânicas (tração, compressão, cisalhamento interlaminar e tenacidade à fratura) foram caracterizadas de acordo com as normas ASTM para identificar a configuração ideal.

2. Modelagem Multiescala:

   • Micromecânica: Uma abordagem de Elemento de Volume Representativo (RVE) foi empregada no ANSYS 2024 R1 para homogeneizar as propriedades ortotrópicas efetivas dos compósitos, contabilizando os efeitos de reforço em nanoescala.
   • FEM de Macroescala: A análise de elementos finitos não linear foi conduzida utilizando elementos SHELL181 para simular o comportamento de flambagem. O modelo incorporou não linearidade geométrica e evolução de dano progressivo baseada nos critérios de falha de Hashin acoplados à Mecânica de Continuidade de Dano (CDM).
   • Geração de Dataset: Um dataset abrangente de 12.852 configurações de laminados foi gerado variando parâmetros geométricos (comprimento, largura, espessura) e sequências de empilhamento.

3. Aprendizado de Máquina Informado pela Física:
   Para superar o custo computacional da FEA iterativa, modelos substitutos (surrogate) de ML foram desenvolvidos utilizando o dataset gerado por FEM. Três modelos foram avaliados:

   • Regressão Linear (LR) para tendências lineares globais.
   • Regressão de Vetores de Suporte (SVR) para capturar relações não lineares entre rigidez e instabilidade.
   • Um Modelo de Ensemble combinando LR e SVR (via média ponderada e stacking) para aproveitar as capacidades preditivas lineares e não lineares.
   • Interpretabilidade: Explicações Aditivas de Shapley (SHAP) foram utilizadas para atribuir a importância das características, garantindo que as previsões do modelo sejam mecanisticamente interpretáveis.

Principais Resultados

• Desempenho Mecânico: A funcionalização de fase dupla (CBREC) produziu os incrementos mais significativos. Comparado ao controle (BEC), o compósito CBREC demonstrou um aumento de 23,45% na resistência à tração, um aumento de 60% na resistência à compressão (de 200 MPa para 320 MPa) e melhoria no cisalhamento interlaminar e na tenacidade à fratura. Esses incrementos são atribuídos à distribuição sinérgica de tensão, melhoria da ligação interfacial e aumento da rigidez da matriz.
• Evolução de Dano: A análise de dano progressivo revelou que a configuração CBREC retarda a iniciação de danos e promove uma redistribuição de carga estável, mitigando efetivamente modos de falha prematuros associados ao kinking de fibras e delaminação.
• Desempenho de Aprendizado de Máquina: O modelo de ensemble alcançou um coeficiente de determinação ($R^2$) de 0,973 na predição das cargas críticas de flambagem, superando significativamente os modelos individuais. A análise SHAP identificou o comprimento e a largura do laminado como os parâmetros dominantes que governam a resistência à flambagem.
• Eficiência: O modelo substituto de ML substituiu com sucesso as simulações repetitivas de FEA, permitindo a predição rápida e a otimização do desempenho de flambagem através do espaço de design.

Significância e Alegações
Os autores alegam que este trabalho representa a primeira investigação experimental-computacional abrangente demonstrando o papel da funcionalização de rGO de fase dupla no aumento da resposta de flambagem não linear e do comportamento de dano progressivo de compósitos reforçados com fibra de basalto. O estudo estabelece um elo direto e rastreável entre a modificação do material (nanoescala), a resposta estrutural (macroescala) e a otimização baseada em dados.

A significância do framework proposto reside em sua capacidade de:

1. Resolver o compromisso entre ligação interfacial e tenacidade da matriz através de uma abordagem sinérgica de fase dupla.
2. Fornecer uma ligação fisicamente consistente entre escalas, traduzindo incrementos de interface em nanoescala para predições de estabilidade estrutural em macroescala.
3. Oferecer um caminho eficiente para o design de estruturas compósitas leves e tolerantes a danos, integrando modelagem de alta fidelidade baseada em física com aprendizado de máquina interpretável, facilitando assim a exploração rápida de design sem o custo computacional proibitivo de uma FEA completa para cada iteração.