Surface Roughness and Tool Wear Prediction in Machining of Nimonic 90 Through Machine Learning Under Various Lubrication Conditions

Resumo Técnico: Predição de Rugosidade Superficial e Desgaste de Ferramenta na Usinagem de Nimonic 90 através de Aprendizado de Máquina sob Diversas Condições de Lubrificação

Definição do Problema
O Nimonic 90, uma superliga à base de níquel essencial para aplicações aeroespaciais e de turbinas a gás, apresenta desafios significativos de usinagem devido à sua baixa condutividade térmica, encruamento rápido e alta afinidade química com materiais de ferramentas. Essas propriedades o classificam como um material de "difícil usinagem", levando ao desgaste excessivo da ferramenta, amolecimento térmico e baixa integridade superficial. A otimização experimental tradicional é proibitiva em termos de custo devido ao alto custo das superligas e às limitações de amostras pequenas para capturar dinâmicas de usinagem complexas e não lineares. Além disso, os métodos de lubrificação convencionais frequentemente falham em gerenciar o calor intenso gerado na interface ferramenta-cavaco, enquanto modelos baseados em dados existentes lutam contra a escassez de dados experimentais típica na pesquisa de usinagem de superligas.

Metodologia
O estudo empregou uma abordagem multifacetada combinando usinagem experimental, caracterização avançada de lubrificação, aumento de dados e modelagem por aprendizado de máquina (ML).

• Design Experimental: Experimentos de torneamento foram conduzidos em Nimonic 90 utilizando um arranjo ortogonal Taguchi L19. Três ambientes de lubrificação foram comparados: MQL (Mínima Quantidade de Lubrificação) tradicional à base de óleo, MQL assistida por Líquido Iônico (IL) usando [1-Butil-3-Metil Imidazolio tetrafluoroborato], e resfriamento criogênico com Nitrogênio Líquido (LN₂). Velocidades de corte (410, 620, 830 m/min) e taxas de avanço (0,1, 0,5 mm/rev) foram variadas com uma profundidade de corte constante (0,5 mm).
• Caracterização: Os lubrificantes foram analisados quanto ao pH, potencial zeta e ângulos de contato. As respostas de usinagem incluíram Rugosidade Superficial ($R_a$), Desgaste de Flanco ($V_b$) e temperatura de corte. A morfologia do cavaco, microestrutura e mecanismos de desgaste da ferramenta foram examinados via SEM, microscopia óptica e testes de microdureza.
• Aumento de Dados: Para lidar com a limitação de um conjunto de dados inicial pequeno (18 amostras), os autores utilizaram uma estrutura de Regressão de Processo Gaussiano (GPR) para aumentar probabilisticamente os dados. Embora o resumo mencione o enriquecimento do tamanho da amostra para 27, a Seção 3.2.1 afirma explicitamente que o conjunto de dados aumentado final utilizado para representação estatística consistiu nas 18 amostras originais, preenchendo a lacuna entre experimentos discretos e modelagem preditiva contínua.
• Modelagem de Aprendizado de Máquina: Quatro algoritmos — Regressão Linear (LR), Máquinas de Vetores de Suporte (SVM), Floresta Aleatória (RF) e Extreme Gradient Boosting (XGBoost) — foram treinados e avaliados usando validação cruzada de 5 dobras (5-fold cross-validation). Os modelos visavam prever $R_a$ e $V_b$ com base nos parâmetros de entrada.
• Otimização: Uma análise de fronteira de Pareto foi conduzida para identificar regimes de usinagem ideais que equilibram produtividade e integridade superficial.

Principais Resultados

• Desempenho da Lubrificação: A usinagem criogênica com LN₂ apresentou os resultados superiores, alcançando a menor rugosidade superficial ($R_a$ = 0,45–0,82 µm) e o menor desgaste de ferramenta. Especificamente, o LN₂ reduziu o desgaste de flanco em 46% em comparação com a usinagem à base de óleo e reduziu o volume total de desgaste em 73% em comparação com a usinagem à base de óleo. A MQL assistida por líquido iônico demonstrou melhor molhabilidade (ângulo de contato de 39,6° vs. 51,8° para o óleo) e formou filmes tribológicos protetores, resultando em um desempenho intermediário entre o óleo e o resfriamento criogênico.
• Mudanças Microestruturais e Morfológicas: O resfriamento por LN₂ resultou na estrutura de grãos mais fina (8–12 µm) em comparação com o IL (15–20 µm) e o óleo (25–30 µm), indicando maior homogeneidade microestrutural. A análise da morfologia do cavaco revelou que o LN₂ minimizou a formação de dentes de serra e o desgaste abrasivo, produzindo cavacos mais suaves e contínuos com espessura reduzida.
• Desempenho de Aprendizado de Máquina: O modelo XGBoost superou todos os outros algoritmos, atingindo um $R^2$ de 0,948, RMSE de 0,122 e MAE de 0,094 para a predição da rugosidade superficial. Isso superou significativamente a Regressão Linear ($R^2$ = 0,627), confirmando a natureza altamente não linear do processo de usinagem. A análise de importância de características identificou a Taxa de Avanço como o principal impulsionador para a rugosidade superficial (0,68 de importância relativa) e o Ambiente de Resfriamento como o fator dominante para o desgaste da ferramenta (0,71 de importância relativa).
• Otimização: A análise da fronteira de Pareto identificou um "Regime de Ouro" em uma velocidade de corte de 620 m/min, taxa de avanço de 0,1 mm/rev e resfriamento por LN₂, equilibrando qualidade de superfície sub-mícron ($R_a$ = 0,82 µm) com vida útil estendida da ferramenta.

Significância e Alegações
O artigo afirma estabelecer um paradigma baseado em dados para a usinagem de precisão de ligas de alto desempenho. Suas principais contribuições incluem:

1. Validação das Estratégias Criogênica e de Líquido Iônico: Demonstrar que o resfriamento por LN₂ e a MQL assistida por IL oferecem gestão tribológica e térmica superiores em comparação com a MQL tradicional à base de óleo para o Nimonic 90.
2. Estrutura de Aumento de Dados: Aplicação bem-sucedida de GPR para superar o problema de "pequenos dados" inerente aos experimentos caros com superligas, permitindo o treinamento de modelos robustos sem introduzir inconsistências físicas.
3. Modelagem Preditiva: Provar que modelos de árvores de conjunto, especificamente o XGBoost, são altamente eficazes em capturar as interações termodinâmicas complexas da usinagem de superligas, superando modelos lineares e outros modelos não lineares.
4. Aplicabilidade Industrial: Destacar a eficiência computacional do framework desenvolvido (tempo de treinamento < 0,5 segundos, pegada de memória < 20MB), tornando-o adequado para computação de borda (edge computing), otimização de processos em tempo real e integração em sistemas de Gêmeos Digitais para manufatura autônoma no setor aeroespacial.

O estudo conclui que a integração de estratégias de lubrificação avançadas com modelagem preditiva baseada em aprendizado de máquina fornece um caminho viável para processos de manufatura sustentáveis, autônomos e economicamente otimizados para componentes aeroespaciais.