Forward and inverse prediction of micro-channel topographies in abrasive slurry jet machining: a machine learning framework and a graphical web-based tool

Resumo Técnico: Predição Direta e Inversa de Topografias de Microcanais em Usinagem por Jato de Suspensão Abrasiva

Definição do Problema
A usinagem de microestruturas por jato de suspensão abrasiva (ASJM) é um processo estratégico para a criação de microfuncionalidades de alta razão de aspecto em materiais duros, frágeis ou sensíveis à temperatura, sem uma zona afetada pelo calor. Apesar do seu potencial para dispositivos biomédicos, MEMS e canais de resfriamento aeroespaciais, a adoção industrial é dificultada pela dificuldade em prever e controlar a topografia usinada. O problema direto (predizer o perfil erodido a partir dos parâmetros do processo) é complicado pela alta turbulência do jato, dinâmica de erosão de partículas não linear e uma multidão de parâmetros operacionais interdependentes. O problema inverso (determinar os parâmetros de processo necessários para atingir uma topografia desejada) é ainda mais desafiador e raramente foi abordado. Os métodos numéricos existentes, como a Dinâmica de Fluidos Computacional (CFD), oferecem alta fidelidade, mas são computacionalmente dispendiosos e difíceis de inverter para controle em tempo real. Por outro lado, as aplicações anteriores de aprendizado de máquina (ML) em usinagem por jato abrasivo limitaram-se a prever saídas escalares, como rugosidade superficial ou profundidade de corte, em vez de perfis de superfície completos.

Metodologia
O estudo emprega uma abordagem baseada em dados utilizando um conjunto abrangente de dados gerado a partir de um delineamento experimental fatorial completo (DOE) envolvendo 270 combinações únicas de parâmetros operacionais no alumínio AA6061-T6. As variáveis independentes foram a pressão da bomba ($P$), velocidade de translação do bocal ($V$), distância de standoff ($SOD$) e o número de passagens de usinagem ($N$). O alvo de saída foi um vetor de 220 dimensões representando o perfil de profundidade da seção transversal.

Quatro modelos de aprendizado supervisionado foram desenvolvidos e comparados:

1. Regressão Polinomial: Uma linha de base paramétrica usando expansão de características para capturar não linearidades.
2. Random Forest (RF): Um método de conjunto não paramétrico aprimorado com engenharia de características informada pelo domínio (ex: potencial erosivo cumulativo $P \times N$).
3. Rede Neural Artificial (ANN): Um modelo de aprendizado profundo totalmente conectado projetado para mapear entradas para o vetor de perfil completo.
4. Rede Neural Convolucional (1D-CNN): Uma arquitetura de aprendizado profundo que utiliza camadas convolucionais para capturar correlações espaciais locais dentro do perfil.

Todos os modelos foram treinados em 85% dos dados e avaliados em um conjunto de teste isolado usando Erro Quadrático Médio (MSE), Erro Absoluto Médio (MAE) e o coeficiente de determinação ($R^2$). O estudo também investigou a sensibilidade do modelo ao tamanho do conjunto de dados (25% a 100%) e ao ruído de entrada.

Para o problema inverso, uma ANN foi treinada para inferir parâmetros de processo ($P, SOD, V, N$) a partir de uma geometria alvo. Para abordar a natureza "muitos-para-um" do problema inverso (onde múltiplos conjuntos de parâmetros podem gerar a mesma geometria), os autores empregaram uma perda de "consistência direta". Os parâmetros preditos foram passados através da ANN direta pré-treinada para gerar um perfil simulado, que foi então comparado à geometria alvo. Isso garantiu que o modelo inverso produzisse parâmetros fisicamente consistentes. Um framework de inversão probabilística usando Monte-Carlo dropout também foi implementado para gerar uma distribuição de soluções viáveis em vez de um único palpite determinístico.

Principais Contribuições

1. Predição de Perfil Completo: Este trabalho apresenta o primeiro framework de ML capaz de prever o vetor completo do perfil da seção transversal de microcanais usinados por ASJM, indo além de métricas escalares como rugosidade ou profundidade.
2. Engenharia de Características Informada pela Física: O estudo incorpora um esquema de treinamento de consciência de monotonicidade usando características projetadas (ex: $P \times N$, $SOD \times V$, $P/V$) para codificar dependências de taxa de erosão conhecidas, garantindo uma comparação justa entre os modelos.
3. Design Inverso Probabilístico: Os autores desenvolveram um framework de inversão consciente de restrições que retorna um conjunto de combinações de parâmetros viáveis com estimativas de incerteza, abordando explicitamente a não unicidade do problema inverso.
4. Avaliação de Aplicabilidade em Tempo Real: O estudo quantifica a latência de inferência, demonstrando que surrogatos de aprendizado profundo podem operar dentro do orçamento de milissegundos por passagem exigido para o controle de processo em malha fechada, ao contrário das simulações tradicionais de CFD.
5. Ferramenta de Código Aberto: Os modelos treinados e o conjunto de dados experimental são disponibilizados como uma aplicação web gratuita baseada em navegador, permitindo que operadores sem experiência em programação utilizem as ferramentas.

Resultos

• Predição Direta: Todos os modelos preveram com sucesso os perfis dos microcanais com razões de aspecto variando de 0,06 a ~2. A ANN alcançou a maior precisão ($R^2 = 0,817$, MAE = 0,00339 mm), seguida de perto pela 1D-CNN ($R^2 = 0,807$). Os modelos tradicionais (Regressão Polinomial e RF) tiveram um desempenho razoável ($R^2 \approx 0,76$), mas foram menos precisos em características de alta razão de aspecto.
• Sensibilidade do Conjunto de Dados: O desempenho melhorou com o tamanho do conjunto de dados, estabilizando-se após o uso de 75% dos dados. A ANN demonstrou a maior robustez, mantendo um $R^2$ de 0,7 mesmo com apenas 25% do conjunto de dados, enquanto o modelo Random Forest degradou significativamente ($R^2 = 0,32$) sob as mesmas condições.
• Robustez ao Ruído: Os modelos de aprendizado profundo (ANN e CNN) mostraram alta tolerância ao ruído de entrada, com o MAE aumentando apenas levemente (de 3,5 µm para 4,1 µm) sob ruído Gaussiano de 10%. Em contraste, o modelo polinomial produziu valores não físicos sob condições de ruído semelhantes.
• Predição Inversa: A ANN inversa previu com sucesso os parâmetros de processo para geometrias alvo. Ao utilizar apenas profundidade e largura como entradas, o modelo alcançou um $R^2$ de 0,94 para profundidade e 0,55 para largura. Ao utilizar o perfil completo como entrada, a precisão diminuiu ($R^2 \approx 0,77$) devido à dimensionalidade e redundância da entrada. A abordagem inversa probabilística identificou com sucesso conjuntos de parâmetros viáveis com erros médios absolutos de profundidade de 0,94 µm.
• Latência: Os tempos de inferência em uma única CPU variaram de 0,22 ms (Polinomial) a ~100 ms (Aprendizado Profundo), tornando-os adequados para controle em tempo real, enquanto o modelo Random Forest levou ~10,9 segundos por amostra, tornando-o inadequado para aplicações de tempo real.

Significância
O artigo afirma que este trabalho preenche a lacuna entre o teste empírico e a manufatura preditiva em tempo real em ASJM. Ao reduzir o tempo de predição de horas (CFD) para microssegundos/milissegundos, os surrogatos de ML propostos removem a barreira computacional que impede que modelos baseados em física sejam incorporados em controladores de malha fechada. O framework permite a especificação de "passo único" dos parâmetros de processo para geometrias desejadas, facilitando o planejamento automatizado de processos, integração de gêmeos digitais e qualificação rápida de novas combinações de material-abrasivo sem campanhas exaustivas de delineamento experimental. Os autores posicionam este trabalho como um esforço pioneiro para demonstrar a viabilidade de ML para padrões complexos e não lineares de remoção de material em usinagem por jato abrasivo, com os modelos treinados e ferramentas disponibilizados publicamente para acelerar a adoção na área.