⚡ electrical engineering

Predicting the process parameters for torque and thrust force in wood plastic composite drilling using machine learning algorithms

Este estudo utiliza experimentos de furação baseados no método Taguchi e algoritmos de aprendizado de máquina para demonstrar que a taxa de avanço é o fator dominante que afeta a força de avanço e o torque na furação de Compósitos de Madeira e Plástico, com o modelo Random Forest emergindo como o preditor mais acurado para otimizar os parâmetros do processo para minimizar essas forças.

Autores originais: Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

Publicado 2026-09-04

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A madeira tem servido à humanidade há milênios, sendo valorizada por sua resistência e versatilidade na construção de tudo, desde abrigos simples até máquinas complexas. No entanto, à medida que as florestas enfrentam a pressão do desmatamento e a demanda por materiais sustentáveis cresce, os engenheiros voltaram-se para uma alternativa moderna: o compósito de madeira e plástico. Este material é uma mistura de fibras de madeira, como serragem ou farinha de bambu, misturada com plástico derretido e vários aditivos para criar um produto durável e resistente às intempéries. É agora uma visão comum em decks, cercas e móveis, oferecendo a aparência da madeira sem a mesma suscetibilidade ao apodrecimento ou insetos. Contudo, trabalhar com este compósito apresenta um desafio único. Por ser uma mistura de fibras rígidas e plástico flexível, ele se comporta de forma diferente da madeira sólida ou do metal quando cortado. Furar este material — um passo necessário para a montagem — pode facilmente causar danos. Se o processo de perfuração não for cuidadosamente controlado, o material pode rachar, as fibras podem se romper ou as camadas podem se separar, arruinando a força e a aparência do produto final. A chave para evitar esse dano reside na compreensão das forças em jogo: a pressão descendente que a broca exerce e a força de torção necessária para girá-la.

Em um estudo recente, pesquisadores buscaram dominar essas forças ensinando um computador a prever exatamente quanta pressão e torção ocorrerão durante o processo de perfuração. A equipe, baseada em faculdades de engenharia na Índia, concentrou-se em um tipo específico de compósito de madeira e plástico feito de fibras de madeira e termoplástico. Eles queriam encontrar as configurações perfeitas para uma broca para minimizar o estresse no material. Para fazer isso, trataram o processo de perfuração como uma série de experimentos controlados. Eles usaram uma máquina controlada por computador para furar painéis do material compósito, alterando sistematicamente três variáveis principais: a velocidade com que a broca girava, a rapidez com que ela avançava para dentro do material e o tamanho da própria broca. Eles testaram essas variáveis em uma ampla gama de valores, desde velocidades lentas até rápidas, e de brocas pequenas até maiores. Para cada combinação de configurações, mediram a força descendente exata e o torque de torção gerados, repetindo cada teste três vezes para garantir que os resultados fossem confiáveis.

Os pesquisadores então analisaram essas medições para ver qual variável era a mais importante. Eles descobriram que a velocidade com que a broca se movia para frente era o fator individual mais importante, respondendo por mais de sessenta por cento das mudanças tanto na força descendente quanto no torque de torção. O tamanho da broca foi o segundo fator mais significativo, enquanto a velocidade de rotação da broca teve um efeito menor, embora ainda perceptível. Em geral, eles descobriram que mover a broca mais rapidamente para dentro do material aumentava as forças, enquanto girar a broca mais rápido na verdade ajudava a reduzi-las. Isso ocorre porque um giro mais rápido gera calor que amolece o componente plástico do compósito, tornando mais fácil o corte. Ao combinar essas descobertas com um tipo específico de algoritmo de computador conhecido como floresta aleatória (random forest), a equipe construiu um modelo que podia prever as forças com uma precisão notável. Este modelo aprendeu com os dados experimentais para reconhecer padrões, permitindo estimar as forças para qualquer novo conjunto de condições de perfuração sem a necessidade de realizar um teste físico primeiro.

Os resultados mostraram que essa abordagem baseada em computador foi altamente eficaz. O modelo previu com sucesso a força descendente e o torque de torção com uma precisão que excedeu noventa e nove por cento quando comparada com as medições físicas reais. Este nível de precisão significa que os fabricantes poderiam usar tal sistema para determinar as melhores configurações de perfuração antes mesmo de tocarem no material, garantindo que os furos sejam limpos e que os painéis compostos permaneçam intactos. O estudo confirmou que, ao selecionar cuidadosamente a velocidade da broca, a taxa de avanço e o tamanho da broca, é possível perfurar compósitos de madeira e plástico sem causar a delaminação ou defeitos superficiais que frequentemente assolam a indústria. Embora os pesquisadores tenham observado que seu trabalho se limitou a brocas específicas e condições de perfuração a seco, o sucesso de sua abordagem de aprendizado de máquina sugere um caminho claro a seguir. Demonstra que, ao permitir que algoritmos aprendam com os dados, os engenheiros podem otimizar processos de fabricação para esses materiais complexos e ecológicos, garantindo que eles desempenhem tão bem no mundo real quanto desempenham no laboratório.

Resumo Técnico: Predição de Parâmetros de Processo para Torque e Força de Empuxo na Perfuração de Compósitos de Madeira e Plástico Usando Algoritmos de Aprendizado de Máquina

Definição do Problema
Os Compósitos de Madeira e Plástico (WPC) tornaram-se cada vez mais prevalentes em aplicações domésticas e industriais, incluindo interiores automotivos, pisos e mobiliário, devido à sua durabilidade, ecologicidade e custo-benefacia. No entanto, a usinagem desses materiais, particularmente a perfuração, apresenta desafios significativos. A natureza anisotrópica e em camadas do WPC leva a defeitos como delaminação, arrancamento de fibras, microfissuras e acabamento superficial pobre quando forças de empuxo ( $F_z$ ) e torque ( $F_t$ ) excessivas são geradas. Esses defeitos comprometem a integridade estrutural e a qualidade estética do produto final. Embora métodos estatísticos tradicionais como a Metodologia de Superfície de Resposta (RSM) existam, eles muitas vezes carecem de flexibilidade para se generalizarem entre diferentes materiais ou condições de processo. Há uma necessidade reconhecida de modelos precisos e baseados em dados para prever $F_z$ e $F_t$ a fim de otimizar os parâmetros de processo, minimizar defeitos e aumentar a eficiência da produção no manufaturado de WPC.

Metodologia
O estudo empregou uma abordagem sistemática combinando delineamento experimental, análise estatística e modelagem de aprendizado de máquina (ML):

Delineamento Experimental: Experimentos de perfuração foram conduzidos em painéis de WPC (compostos por 40% de fibras de madeira, 54% de termoplástico e 6% de aditivos) usando um centro de usinagem vertical CNC. O estudo utilizou o arranjo ortogonal $L_{27}$ de Taguchi para investigar os efeitos de três parâmetros de entrada: Velocidade do Spindle ( $N$ ), Taxa de Avanço ( $f$ ) e Diâmetro da Broca ( $d$ ).
- Intervalos: $N$ (1000–3000 rpm), $f$ (75–225 mm/min), $d$ (6, 8 e 10 mm).
- Ferramental: Foram utilizadas brocas de ponta Brad center (aço carbono com acabamento em alumínio).
- Medição: Um dinamômetro multicomponente Kistler (Modelo 9277B) mediu $F_z$ e $F_t$ . Cada uma das 27 corridas experimentais foi repetida três vezes, resultando em um conjunto de dados de 81 pontos.
Análise Estatística: A Análise de Variância (ANOVA) foi realizada para determinar a significância dos parâmetros de entrada e suas interações nas respostas de saída.
Modelagem de Aprendizado de Máquina: Três algoritmos de aprendizado de conjunto (ensemble learning) foram desenvolvidos e comparados para prever $F_z$ e $F_t$ :
- Extra Trees Regressor: Utilizado por sua capacidade de lidar com dados ruidosos através de randomização extrema.
- Bagging com Árvores de Decisão: Empregado para reduzir a variância através da média de previsões de subconjuntos de bootstrap.
- Random Forest Regressor: Utilizado por sua robustez em capturar correlações não lineares através da seleção aleatória de características nas divisões de nós.
Avaliação: O conjunto de dados foi dividido em 70% para treinamento e 30% para teste. O desempenho do modelo foi avaliado utilizando seis métricas: Erro Percentual Absoluto Médio (MAPE), Diferença Absoluta Média (MAD), Erro Quadrático Médio (RMSE), Erro Padrão (SE), Erro Quadrático Médio (MSE) e o Coeficiente de Determinação ( $R^2$ ).

Principais Resultados

Influência dos Parâmetros de Processo: Os resultados da ANOVA identificaram a Taxa de Avanço ( $f$ ) como o fator dominante que influencia tanto a força de empuxo quanto o torque.
- Para a Força de Empuxo ( $F_z$ ): A Taxa de Avanço contribuiu com 65,16%, o Diâmetro da Broca com 27,33% e a Velocidade do Spindle com 4,90%.
- Para o Torque ( $F_t$ ): A Taxa de Avanço contribuiu com 64,41%, o Diâmetro da Broca com 20,39% e a Velocidade do Spindle com 12,84%.
- As condições ideais para minimizar as forças foram encontradas em 3000 rpm, 75 mm/min e um diâmetro de broca de 6 mm. Inversamente, as maiores forças ocorreram em 1000 rpm, 225 mm/min e 10 mm de diâmetro.
Desempenho do Modelo: Todos os três modelos de ML demonstraram alta capacidade preditiva, com valores de $R^2$ superiores a 0,988. No entanto, o modelo Random Forest superou consistentemente os demais:
- Força de Empuxo ( $F_z$ ): O Random Forest alcançou um $R^2$ de 0,998, MAPE de 1,601 e RMSE de 0,275.
- Torque ( $F_t$ ): O Random Forest alcançou um $R^2$ de 0,997, MAPE de 0,718 e RMSE de 0,1406.
- O modelo Random Forest também exibiu erros de previsão mais normalmente distribuídos, conforme validado pelos gráficos de normalidade de Anderson-Darling, indicando maior confiabilidade em comparação ao Bagging e Extra Trees.

Significância e Alegações
Os autores afirmam que este estudo fornece uma abordagem inovadora para avaliar e identificar parâmetros de processo adequados para minimizar a força de empuxo e o torque durante a perfuração de compósitos de WPC. Ao demonstrar que modelos de aprendizado de máquina, especificamente o Random Forest, podem prever com precisão as forças de usinagem com base nos parâmetros de entrada, a pesquisa oferece uma ferramenta para melhorar a eficiência da produção e otimizar recursos. O estudo afirma que o desenvolvimento de modelos de previsão tão precisos é crucial para aumentar a produtividade industrial e garantir a qualidade das juntas mecânicas em aplicações de WPC. O trabalho estabelece uma base para o uso de métodos baseados em dados para substituir ou suplementar a modelagem empírica tradicional na usinagem de materiais compostos.

Direções Futuras
O artigo sugere que trabalhos futuros poderiam expandir o escopo para estimar indicadores de qualidade adicionais (como fator de delaminação, rugosidade superficial, circularidade e erros de cilindricidade), testar diferentes materiais e geometrias de ferramentas, explorar a Lubrificação de Quantidade Mínima (MQL) para reduzir a temperatura e o desgaste, e comparar a perfuração tradicional com a Usinagem por Jato de Água Alternativa (AWJM).

Mais como este