Data-Driven Prediction and Process Control of Porous Fiber Matrix Pressure Drop Decay in Advanced Manufacturing

Resumo Técnico: Predição Baseada em Dados e Controle de Processo da Queda de Pressão em Matriz de Fibra Porosa

Definição do Problema
Na fabricação avançada de filtros de bastão de diacetato, existe uma "zona cega" crítica para o controle de qualidade em tempo real: a evolução dinâmica dos parâmetros físicos microestruturais (especificamente o módulo viscoelástico e a migração de plastificantes) é difícil de quantificar online. Após a produção em máquinas de formação de alta velocidade (ex: ZL26C), os bastões de filtro requerem um período de estabilização antes do processamento subsequente. No entanto, sua queda de pressão não permanece estática; ela sofre mudanças complexas e não monotônicas ao longo do tempo. As abordagens tradicionais dependem de ajustes de parâmetros por tentativa e erro ou extrapolações lineares simples, que falham em filtrar o ruído industrial, adaptar-se a conjuntos de dados de amostras pequenas ou prever com precisão o ponto de inflexão exato onde a degradação estrutural se acelera. Essa falta de precisão cria riscos para a consistência da qualidade e impede o escalonamento flexível da produção.

Metodologia
Para enfrentar esses desafios, os autores desenvolveram uma estrutura de modelagem baseada em dados e informada pela física utilizando um modelo de Regressão de Processo Gaussiano Composto (GPR). O estudo utilizou um conjunto de dados de rastreamento dinâmico de 14 dias de 100 bastões de filtro de acetato de celulose com núcleo de arame, testados em intervalos de 1, 2, 3, 4, 5, 6, 24, 48, 168 e 336 horas sob condições ambientais estritamente controladas (22 ± 1 °C, 60 ± 2% UR).

A inovação metodológica central é a construção de uma arquitetura de kernel composto:

1. Kernel Matern 2.5: Selecionado por sua propriedade matemática de ser exatamente duas vezes diferenciável. Isso se alinha à reologia física do relaxamento de tensão viscoelástica, permitindo que o modelo capture a trajetória de degradação não linear em forma de S sem os artefatos de "suavização excessiva" (oversmoothing) de kernels RBF ou as descontinuidades de degrau de modelos baseados em árvores.
2. Kernel de Ruído Branco (White Noise): Sobreposto para atuar como um filtro para o ruído de fundo industrial (flutuações de 1–5 Pa inerentes à telemetria do sensor), evitando o sobreajuste (overfitting) a erros de medição aleatórios.
3. Estratégia de Validação: O modelo empregou validação cruzada do tipo "deixar um fora" (leave-one-out cross-validation - LOOCV) para avaliar a generalização em amostras pequenas e foi adicionalmente validado contra dados de "zona cega" coletados em 72, 96 e 120 horas — pontos temporais não utilizados no treinamento inicial.

Principais Contribuições

• Desacoplamento da Perda de Massa da Queda de Pressão: O estudo demonstrou empiricamente que, embora a massa do bastão de filtro diminua devido à evaporação do etanol nas primeiras 6 horas, o declínio significativo e irreversível da queda de pressão é fisicamente desacoplado dessa perda de massa. Em vez disso, o declínio é impulsionado pelo relaxamento de tensão viscoelástica e pela reorganização da rede polimérica.
• Arquitetura de Kernel Composto: O artigo introduz uma configuração específica de GPR (Matern 2.5 + Ruído Branco) que consegue unir com sucesso os priors reológicos de nível macro com a predição estatística, oferecendo uma quantificação de incerteza robusta onde modelos determinísticos tradicionais falham.
• Definição Algorítmica de Janelas de Processo: Em vez de depender de regras práticas estáticas, o estudo utiliza o modelo para identificar algoritmicamente o exato ponto de inflexão da degradação operacional.

Resultos

• Precisão Preditiva: O modelo GPR composto alcançou um alto coeficiente de determinação ($R^2 = 0,9439$) e um baixo Erro Quadrático Médio (RMSE = 4,15 Pa) ao longo de todo o ciclo.
• Quantificação de Incerteza: O modelo forneceu intervalos de confiança de 95% rigorosos. Crucialmente, todos os pontos de dados de validação da "zona cega" (72, 96 e 120 horas) caíram estritamente dentro desses intervalos de confiança, confirmando a capacidade do modelo de extrapolar com precisão para os vazios de dados.
• Identificação do Ponto de Inflexão: Utilizando um "método de desvio de pico" com um limiar de 5 Pa, o modelo identificou o momento preciso da queda substancial da pressão após 61,1 horas pós-moldagem.
• Janela Ótima: Com base na estabilização da queda de pressão (após 2 horas) e no início da degradação acelerada (em 61,1 horas), o estudo define a janela ideal de manuseio da produção como sendo de 2 a 61,1 horas pós-moldagem.

Significância e Alegações
O artigo afirma que esta estrutura transforma fluxos de telemetria da oficina em limites de processo acionáveis. Ao ir além da tradicional "regra prática de 48 horas", o estudo fornece uma ferramenta de suporte à decisão inteligente para Sistemas de Execução de Manufatura (MES). A significância reside em sua capacidade de:

1. Otimizar o Giro de Estoque: Permitir o escalonamento flexível ao definir limites precisos de aplicação por hora.
2. Eliminar Riscos de Qualidade: Prevenir o uso de bastões de filtro que entraram na fase de degradação estrutural acelerada.
3. Unir Teoria e Prática: Oferecer um paradigma de "caixa cinza" que incorpora restrições físicas (viscoelasticidade) ao aprendizado estatístico, tornando os resultados probabilísticos interpretáveis e aceitáveis para engenheiros de processos industriais.

Os autores reconhecem limitações relativas à dependência atual do modelo em relação a controles ambientais específicos e especificações de filamento, observando que trabalhos futuros visam incorporar características heterogêneas de múltiplas fontes (temperatura, umidade, tensão da máquina) para adaptar o modelo a condições variáveis de fábrica.