Deep Learning-Assisted Multi-Objective Optimization and Microstructure Property Correlation in Rotary Friction Welding of Dissimilar AA1100–AA2014 Aluminium Alloys

Imagine que você esteja tentando assar o bolo perfeito, mas tem dois ingredientes muito diferentes: um é um marshmallow macio e elástico, e o outro é um biscoito duro e crocante. Se você tentar derretê-los juntos em um forno comum, o marshmallow pode se transformar em uma bagunça pegajosa enquanto o biscoito permanece duro, ou eles podem se separar completamente. Este é exatamente o problema que os engenheiros enfrentam ao tentar unir diferentes tipos de alumínio. Um tipo é macio e ótimo para conduzir calor (como o marshmallow), enquanto o outro é super forte, mas difícil de trabalhar (como o biscoito). Geralmente, quando você tenta soldá-los usando calor intenso, eles não se misturam bem, deixando pontos fracos que podem quebrar sob pressão.

Para resolver isso, os cientistas usam uma técnica chamada "Soldagem por Fricção Rotativa". Em vez de derreter o metal como uma solda normal, eles giram uma peça contra a outra em alta velocidade. Pense nisso como esfregar as mãos muito rápido para aquecê-las; a fricção cria calor suficiente para tornar o metal macio e maleável sem realmente derretê-lo. Então, eles os esmagam com um martelo pesado (chamado de forjamento) para fundi-los em uma única peça sólida. A parte complicada é descobrir exatamente a velocidade de rotação, a força da pressão e por quanto tempo. Se você errar a receita, a junta será fraca. É aqui que o artigo entra, usando uma mistura de experimentos tradicionais e cérebros de computador super inteligentes para encontrar a receita perfeita para unir esses dois tipos de ligas de alumínio tão diferentes.

O Grande Confronto do Alumínio

Neste estudo, pesquisadores enfrentaram o desafio de unir duas ligas de alumínio específicas: AA1100 e AA2014. Você pode pensar na AA1100 como o "gigante gentil" — ela é muito macia, estica facilmente e conduz calor como ninguém. Por outro lado, a AA2014 é o "lutador durão" — é incrivelmente forte, dura e construída para carregar cargas pesadas, mas é um pouco mais quebradiça. Unir as duas é como tentar colar um elástico em uma barra de aço; se você fizer errado, a ligação falha.

A equipe utilizou um método chamado Soldagem por Fricção Rotativa (RFW). Imagine segurar dois lápis, girando um contra o outro até que fiquem quentes e macios, e então pressioná-los juntos. Na fábrica, isso é feito com cilindros de metal. Os pesquisadores tinham cinco "botões" para controlar este processo: a velocidade de rotação (RPM), a pressão de fricção (enquanto giram), a pressão de forjamento (após parar), o tempo de fricção e o tempo de forjamento.

O Experimento: Uma Busca pela Receita

Para encontrar as configurações perfeitas, os pesquisadores não apenas adivinharam. Eles usaram um plano sistemático chamado projeto Taguchi L27. Isso é como um chef testando 27 variações diferentes de uma receita, mudando a quantidade de açúcar, farinha e tempo de cozimento em um padrão específico para ver qual combinação faz o melhor bolo. Eles realizaram 27 experimentos de soldagem diferentes, alterando a velocidade, a pressão e o tempo para cada um.

Após a soldagem, eles submeteram as juntas a testes rigorosos. Eles as puxaram para ver o quão fortes eram (resistência à tração), mediram a dureza da superfície (microdureza) e as esticaram para ver o quanto podiam dobrar antes de quebrar (alongamento). Eles também observaram o metal sob microscópios poderosos (SEM) e usaram raios-X (XRD) para ver como o metal parecia em um nível de cristal minúsculo.

O Cérebro de Computador: Aprendizado Profundo

Aqui é onde o estudo se torna realmente futurista. Em vez de apenas olhar para os 27 resultados e adivinhar o padrão, os pesquisadores construíram uma Rede Neural Profunda (DNN). Pense nisso como um cérebro digital que aprende por exemplo. Eles alimentaram o computador com todos os dados dos 27 experimentos — as configurações usadas e os resultados obtidos. O trabalho do computador era descobrir as regras ocultas e complicadas que conectam as configurações à resistência da solda.

Uma vez que o computador aprendeu as regras, eles usaram uma segunda ferramenta inteligente chamada NSGA-II. Isso é como um super otimizador que busca pelo "equilíbrio perfeito". Como nem sempre é possível ter resistência máxima e elasticidade máxima ao mesmo tempo (elas costumam brigar entre si), o otimizador encontra o melhor compromisso possível, conhecido como "fronteira de Pareto". É como encontrar o lugar perfeito em um mapa onde você está perto tanto da praia quanto das montanhas, em vez de estar perdido no meio do nada.

O Que Eles Descobriram

Os resultados foram impressionantes. O "cérebro digital" aprendeu as regras incrivelmente bem. Quando os pesquisadores testaram as previsões do computador contra os resultados do mundo real, o computador acertou cerca de 98,7% das vezes (um valor R² de 0,987). Isso significa que o modelo computacional é uma ferramenta muito confiável para prever como a solda se comportará sem a necessidade de construir uma amostra física a cada vez.

O estudo descobriu que a melhor receita de soldagem envolvia girar a 1200 RPM, com uma pressão de fricção de 70 MPa, uma pressão de forjamento de 90 MPa, um tempo de fricção de 4 segundos e um tempo de forjamento de 5 segundos.

Usando essas configurações, eles criaram uma junta que foi:

• 142 MPa forte (um salto significativo em relação às juntas mais fracas testadas, que tinham apenas 95 MPa).
• 122,3 HV de dureza.
• Capaz de esticar 10% antes de quebrar.

O Ingrediente Secreto: O Que Está Acontecendo Lá Dentro?

Por que essas configurações funcionaram tão bem? Os pesquisadores olharam pelo microscópio e encontraram a resposta. Nas melhores juntas, os grãos do metal (os minúsculos cristais que compõem o metal) tornaram-se muito finos e uniformes, como uma multidão organizada e compacta. Isso aconteceu porque o calor e a pressão causaram um processo chamado recristalização dinâmica, onde o metal se reorganiza para formar uma estrutura mais forte.

Crucialmente, eles não encontraram rachaduras prejudiciais ou reações químicas estranhas (fases intermetálicas) na junção. A análise de raios-X mostrou que o metal manteve sua estrutura original sem se transformar em compostos frágeis e fracos. O lado da AA1100 apresentou uma "fratura dúctil", o que significa que se esticou e rasgou como um saco plástico macio, enquanto o lado da AA2014 mostrou sinais de sua estrutura dura e repleta de precipitados. Apesar dessas diferenças, os dois metais se fundiram perfeitamente, criando uma união contínua.

Por Que Isso Importa

Este artigo sugere que, ao combinar experimentos do mundo real com um modelo de computador inteligente, os engenheiros podem encontrar rapidamente a melhor maneira de unir diferentes metais sem perder tempo e dinheiro com tentativas e erros intermináveis. A abordagem "híbrida" — usando uma Rede Neural Profunda para prever resultados e um otimizador para encontrar as melhores configurações — atua como uma ferramenta de tomada de decisão de alta tecnologia.

Os pesquisadores acreditam que este método pode ser um divisor de águas para indústrias como a aeroespacial, automotiva e ferroviária, onde a fabricação de estruturas leves, porém fortes, é essencial. Ao dominar a arte de unir ligas de alumínio díspares, eles podem construir aviões e carros mais leves que consomem menos combustível, garantindo ao mesmo tempo que as juntas sejam fortes o suficiente para manter a segurança de todos. O estudo confirma que, com a "receita" certa e um pouco de ajuda da inteligência artificial, até os materiais mais incompatíveis podem se tornar um time perfeito.