Milling force-induced elastic deformation modeling and physical constraint transfer prediction of thin-walled grid conical shell

Imagine uma casca fina e curva feita de metal, moldada como um cone e reforçada com uma grade de nervuras, muito parecida com o esqueleto da asa de um pássaro ou a estrutura de uma ponte. Essas estruturas são vitais na aeroespacial e na exploração de águas profundas porque são incrivelmente fortes, mas leves o suficiente para carregar cargas pesadas sem adicionar peso excessivo. No entanto, fabricá-las é um equilíbrio delicado. Quando uma ferramenta de máquina remove material para moldar essas cascas, a força da ferramenta de corte pressiona o metal fino. Como o metal é tão fino e o suporte das nervuras é irregular, a casca se dobra levemente sob essa pressão. Esse dobramento é invisível a olho nu durante o corte, mas altera a profundidade do corte. Quando a ferramenta se afasta e a pressão é liberada, o metal retorna à sua forma original, deixando a superfície final ligeiramente diferente da pretendida. Isso resulta em uma peça com espessura irregular, o que pode comprometer sua resistência e segurança.

O desafio para os engenheiros tem sido prever exatamente o quanto esse dobramento ocorrerá. Os métodos tradicionais dependem de teorias matemáticas complexas que têm dificuldade com os padrões irregulares das nervuras, ou utilizam simulações de computador que são incrivelmente precisas, mas tão lentas e caras que não podem ser usadas para cada corte individual em uma fábrica real. Há também uma falta de dados do mundo real; realizar testes físicos suficientes para aprender todas as variações possíveis levaria anos e destruiria inúmeras peças caras. Os pesquisadores precisavam de uma maneira de combinar a velocidade das previsões baseadas em dados com a confiabilidade das leis físicas, especialmente quando tinham apenas um pequeno número de experimentos reais à disposição.

Uma equipe de pesquisadores da Universidade de Tecnologia de Dalian desenvolveu uma nova abordagem para resolver este problema para estas cascas cônicas específicas com padrão de grade. Em vez de tentar adivinhar a forma final diretamente a partir das configurações da máquina, eles dividiram o problema em duas etapas conectadas. Primeiro, focaram em prever a força que a ferramenta de corte exerce sobre o metal. Para fazer isso, usaram uma técnica chamada aprendizado por transferência (transfer learning). Eles começaram treinando um modelo de computador com uma vasta quantidade de dados simulados, onde o computador poderia executar milhares de cenários de corte virtuais rapidamente. Isso deu ao modelo uma compreensão sólida de como a ferramenta se comporta de modo geral. Em seguida, pegaram esse conhecimento e o refinaram usando um conjunto muito menor de dados de experimentos de fresagem reais. Isso permitiu que o modelo aprendesse as peculiaridades específicas da máquina real e do metal real sem a necessidade de milhares de testes físicos.

Assim que o modelo previu a força de corte, ele passou essa informação para uma segunda parte do sistema. Esta segunda parte usou um conjunto de regras físicas derivadas da teoria de como as cascas finas dobram. Ela pegou a força prevista e a rigidez específica do metal naquele ponto exato — considerando o quão próximo a ferramenta estava de uma nervura ou de um vão — e calculou exatamente o quanto a casca dobraria. Ao vincular a previsão baseada em dados da força com o cálculo baseado em física do dobramento, os pesquisadores criaram um sistema que é ao mesmo tempo rápido e fisicamente consistente. Eles verificaram este método fresando uma casca cônica de liga de alumínio real, que começou com uma espessura de 10 milímetros e foi usinada até uma altura de nervura final de 3,5 milímetros. A máquina utilizou uma fresadora de 10 milímetros de diâmetro girando a 5.000 rotações por minuto.

Os resultados mostraram que este método híbrido foi significamente mais preciso do que usar apenas dados ou usar métodos de simulação tradicionais. Quando testado contra medições reais feitas durante o processo, o novo modelo previu corretamente a deformação elástica em mais de 93 por cento dos casos, com alguns modos de teste atingindo mais de 95 por cento de precisão. Em contraste, modelos que dependiam apenas de dados ou apenas de simulações sem esta combinação específica de técnicas mostraram menor precisão e tiveram mais dificuldades com mudanças súbitas na rigidez do metal. O estudo demonstra que, ao tratar a força de corte como um passo intermediário crucial e usar uma pequena quantidade de dados do mundo real para corrigir uma grande quantidade de dados simulados, os engenheiros podem prever de forma confiável como essas partes complexas de paredes finas se comportarão. Essa capacidade oferece um caminho prático para fabricar esses componentes críticos da aeroespacial e de águas profundas com a alta precisão necessária para sua operação segura.