⚡ engenharia elétrica

A back propagation neural network with improved sine cosine algorithm approach for multi-response drilling optimization of carbon fiber reinforced polymer (CFRP)

Este estudo propõe uma abordagem integrada combinando uma Rede Neural de Retropropagação com um Algoritmo Seno-Cosseno Melhorado para prever e otimizar parâmetros de perfuração de múltiplas respostas para polímeros reforçados com fibra de carbono, utilizando seleção adaptativa de operadores e gestão de população para aumentar o desempenho em relação aos métodos padrão.

Autores originais: Rachmadi Norcahyo, Achmad Pratama Rifai, Setyo Tri Windras Mara, Bobby Oedy Pramoedyo Soepangkat, Mohammad Khoirul Effendi

Publicado 2026-09-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rachmadi Norcahyo, Achmad Pratama Rifai, Setyo Tri Windras Mara, Bobby Oedy Pramoedyo Soepangkat, Mohammad Khoirul Effendi

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

No mundo de alto risco da indústria aeroespacial, onde cada grama de peso importa, os engenheiros dependem de um material que é tão forte quanto o aço, mas leve como o alumínio: o polímero reforçado com fibra de carbono. Este material composto, feito de fios de carbono incrivelmente finos unidos por uma resina plástica, forma a espinha dorsal das asas e fuselagens de aeronaves modernas. No entanto, transformar essas folhas rígidas em peças utilizáveis exige a perfuração de milhares de furos para aparafusar a estrutura. Esta tarefa, aparentemente simples, é repleta de perigos para o material. Como as fibras são quebradiças e a resina de ligação é macia, o calor e a pressão de uma broca de perfuração padrão podem fazer com que as camadas se separem ou rachem, um dano conhecido como delaminação. Uma vez que esse dano ocorre, a integridade estrutural de todo o componente é comprometida, podendo levar a uma falha catastrófica. O desafio para os fabricantes é encontrar a combinação perfeita de velocidade de perfuração, taxa de avanço e formato da ferramenta para fazer furos limpos sem arruinar o caro material, um equilíbrio que há muito exige tentativa e erro.

Para resolver este enigma, uma equipe de pesquisadores da Indonésia e da Austrália desenvolveu uma nova estratégia digital que combina duas ferramentas poderosas: um programa de aprendizado de computador e um algoritmo de busca inteligente. Eles começaram conduzindo uma série de experimentos de perfuração no mundo real em placas de fibra de carbono. Usando uma máquina especializada, eles perfuraram furos com dois tipos diferentes de brocas — uma broca de torção padrão e uma broca de ponta de brad (brad spur) — enquanto alteravam sistematicamente a velocidade da perfuração e a rapidez com que ela se movia para dentro do material. Para cada furo individual, eles mediram quatro resultados críticos: a força que empurrava a broca para baixo, o torque de torção necessário para girá-la e o tamanho das rachaduras que apareciam tanto na entrada quanto na saída do furo. Eles também rastrearam a rapidez com que o material estava sendo removido. Essas medições físicas forneceram um rico conjunto de dados que revelou exatamente como diferentes configurações afetavam a qualidade do furo.

Os pesquisadores então alimentaram esses dados experimentais em uma rede neural de retropropagação, um tipo de programa de computador projetado para aprender com exemplos, de forma muito semelhante a como um estudante humano aprende com um livro didático. Ao analisar a relação entre as configurações de perfuração e o dano resultante, o computador construiu um modelo preditivo altamente preciso. Esse modelo podia olhar para um novo conjunto de configurações e prever instantaneamente os níveis prováveis de força, torque e dano sem a necessidade de perfurar um furo físico. No entanto, saber como prever o resultado é apenas metade da batalha; o objetivo real era encontrar o melhor conjunto de configurações que minimizasse o dano e maximizasse a eficiência. Para fazer isso, a equipe empregou uma versão melhorada de um método de busca chamado algoritmo de seno-cosseno. Imagine uma vasta paisagem de configurações possíveis, onde alguns pontos são seguros e outros são perigosos. O algoritmo atua como um guia, enviando um enxame de exploradores virtuais para buscar nesta paisagem o ponto mais baixo, que representa as condições ideais de perfuração.

A inovação da equipe residiu em como melhoraram este guia de busca. Algoritmos de busca padrão às vezes ficam presos em baixos pontos locais, pensando que encontraram a melhor solução quando existe uma melhor por perto. Para evitar isso, os pesquisadores adicionaram duas novas regras ao seu algoritmo. Primeiro, deram ao algoritmo a capacidade de escolher adaptativamente sua estratégia de busca com base no que funcionou melhor nas etapas anteriores, essencialmente aprendendo com seu próprio histórico para fazer movimentos mais inteligentes. Segundo, introduziram uma técnica de gestão de população que garantia que os exploradores virtuais não se aglomerassem todos no mesmo lugar rápido demais. Isso manteve a busca diversificada, permitindo que o algoritmo explorasse diferentes áreas do espaço de solução minuciosamente antes de se estabelecer em uma resposta final. Quando testaram este sistema melhorado contra a versão padrão, a nova abordagem encontrou consistentemente soluções melhores, identificando uma combinação específica de uma broca de torção, uma velocidade de rotação de 3000 rotações por minuto e uma taxa de avanço de 160,1 milímetros por minuto como a configuração ideal.

Os resultados deste estudo oferecem um caminho claro para a fabricação. Os pesquisadores descobriram que o uso de uma broca de torção geralmente produzia menos danos na saída do furo em comparação com a broca de ponta de brad, enquanto velocidades de rotação mais altas ajudavam a amolecer ligeiramente o material, reduzindo a força necessária e as rachaduras resultantes. Por outro lado, aumentar a velocidade com que a broca se movia para dentro do material aumentava a força e o dano. Ao combinar seu modelo computacional preditivo com o algoritmo de busca melhorado, a equipe demonstrou que é possível calcular os parâmetros de perfuração precisos necessários para produzir furos de alta qualidade com o mínimo de desperdício. Este trabalho não apenas sugere uma possibilidade teórica; ele fornece um método concreto e testado para otimizar um processo industrial crítico. À medida que a indústria aeroespacial continua a impulsionar aeronaves mais leves e fortes, abordagens baseadas em dados como esta serão essenciais para garantir que os furos que mantêm essas estruturas avançadas unidas sejam feitos com a máxima precisão e cuidado.

Resumo Técnico: Uma Rede Neural de Propagação de Retropropagação com Abordagem de Algoritmo Seno-Cosseno Melhorado para Otimização de Múltiplas Respostas de Perfuração de CFRP

Definição do Problema
O Polímero Reforçado com Fibra de Carbono (CFRP) é amplamente utilizado na indústria aeroespacial e de aviação devido à sua alta relação resistência-peso e durabilidade. No entanto, o processo de perfuração necessário para a montagem frequentemente induz danos severos de usinagem, incluindo descolamento fibra-matriz, extração de fibras (fiber pull-out) e delaminação. Esses defeitos, particularmente a delaminação na entrada e saída do furo, deterioram significavelmente a qualidade do furo e a longevidade do componente. O estudo identifica que os parâmetros de perfuração — especificamente a geometria da broca, a velocidade do fuso e a taxa de avanço — são os principais contribuintes para esses danos, juntamente com a força de empuxo e o torque resultantes. Embora estudos anteriores tenham investigado esses fatores, há uma necessidade de abordagens robustas e baseadas em dados para modelar e otimizar simultaneamente múltiplas respostas conflitantes (força de empuxo, torque e delaminação) para minimizar danos enquanto se mantém as taxas de remoção de material.

Metodologia
A pesquisa propõe uma estrutura híbrida integrando uma Rede Neural de Propagação de Retropropagação (BPNN) com um Algoritmo Seno-Cosseno Melhorado (ISCA).

Coleta de Dados Experimentais:
Experimentos de perfuração foram realizados em espécimes de CFRP de 3 mm de espessura utilizando uma máquina CNC sem fluido de corte. Duas geometrias de broca foram testadas: uma broca helicoidal de duas arestas e uma broca tipo brad spur. O delineamento experimental variou as velocidades do fuso (1000, 2000, 3000 rpm) e as taxas de avanço (50, 150, 250 mm/min). As respostas medidas incluíram força de empuxo ( $F_{Th}$ ), torque ( $M$ ), delaminação de entrada do furo ( $F_{Den}$ ), delaminação de saída do furo ( $F_{Dex}$ ) e taxa de remoção de material (MRR).
Modelagem BPNN:
Uma BPNN foi desenvolvida para prever as respostas de perfuração com base nos parâmetros de entrada. A arquitetura da rede foi otimizada usando a Otimização por Colônia de Formigas (ACO) para determinar o número ideal de camadas ocultas e neurônios, resultando em uma configuração 3-4-7-10-5 (3 entradas, 3 camadas ocultas com 4, 7 e 10 neurônios respectivamente, e 5 saídas). A rede utilizou funções de ativação tansig para as camadas ocultas e purelin para a camada de saída, treinada com o algoritmo de Levenberg-Marquardt. Os dados foram normalizados usando uma função mapminmax, e o conjunto de dados foi dividido em 70% para treinamento, 15% para validação e 15% para teste.
Algoritmo Seno-Cosseno Melhorado (ISCA):
Para otimizar o modelo BPNN e encontrar a melhor combinação de parâmetros, o Algoritmo Seno-Cosseno (SCA) padrão foi aprimorado com dois mecanismos específicos:

Seleção Adaptativa de Operadores: Diferente do SCA padrão, que seleciona aleatoriamente entre funções seno e cosseno com uma probabilidade fixa ( $P_y = 0,5$ ), o ISCA atualiza dinamicamente a probabilidade de seleção com base no desempenho histórico de cada operador. Os pesos são ajustados usando um parâmetro de decaimento e recompensas baseadas em fitness para favorecer os operadores que geram melhores soluções.
Técnica de Gerenciamento de População: Para evitar a convergência prematura e manter a diversidade das soluções, foi implementada uma técnica de gerenciamento de população (adaptada de Prodhon e Prins, 2008). Novas soluções são aceitas na população apenas se sua distância das soluções existentes exceder um limiar dinâmico ( $\Delta$ ). Este limiar é ajustado com base no número de rejeições sucessivas, garantindo um equilíbrio entre exploração (exploration) e explotação (exploitation).

Principais Contribuições
O artigo descreve quatro contribuições primárias:

Melhoria Algorítmica: Introduz a primeira combinação de seleção adaptativa de operadores e técnicas de gerenciamento de população dentro da estrutura do Algoritmo Seno-Cosseno.
Aplicação à Usinagem: Implementa uma heurística baseada em SCA para otimização de usinagem, um domínio onde tais aplicações são atualmente raras.
Otimização de Parâmetros de Perfuração: Apresenta o primeiro estudo que utiliza um algoritmo baseado em SCA especificamente para otimizar parâmetros de perfuração de CFRP.
Integração de Múltiplas Respostas: Aplica com sucesso o ISCA para otimizar um modelo BPNN de múltiplas respostas, abordando simultaneamente força de empuxo, torque, delaminação e taxa de remoção de material.

Resultos

Desempenho do Modelo: A BPNN demonstrou alta precisão preditiva, com valores de Erro Médio Percentual Absoluto (MAPE) para os dados de treinamento variando de 0% (MRR) a 3,39% (Força de Empuxo). Os coeficientes de correlação indicaram um ajuste forte entre os valores experimentais e previstos.
Resultados de Otimização: O ISCA superou tanto o SCA padrão quanto uma variante de SCA Adaptativo (ASCA). A solução ótima identificada pela abordagem BPNN-ISCA utilizou uma broca helicoidal, uma velocidade de fuso de 3000 rpm e uma taxa de avanço de 160,1 mm/min.
Efeitos dos Parâmetros: O estudo confirmou que velocidades de fuso mais altas geralmente reduzem a força de empuxo e o torque devido ao amolecimento do material, enquanto taxas de avanço menores reduzem a delaminação. Em relação à geometria da broca, a broca brad spur reduziu a delaminação de entrada do furo, mas aumentou a força de empuxo em comparação com a broca helicoidal, enquanto a broca helicoidal resultou em menos delaminação de saída do furo.

Significância e Alegações
Os autores afirmam que a proposta abordagem ISCA melhora claramente o desempenho da estrutura BPNN-SCA padrão. Ao integrar mecanismos adaptativos e gerenciamento de população, o algoritmo navega efetivamente pelo complexo cenário de otimização de múltiplas respostas da perfuração de CFRP. O estudo enfatiza que, embora trabalhos anteriores tenham hibridizado o SCA com outras meta-heurísticas ou introduzido novas equações, este trabalho demonstra que mecanismos simples — como a atualização de probabilidades de seleção baseada no desempenho e o gerenciamento da diversidade da população — podem aumentar significamente as capacidades de explotação do SCA clássico sem exigir a re-derivação complexa de equações de atualização trigonométrica.

O artigo conclui modestamente, sugerindo que, embora a atual arquitetura BPNN tenha sido otimizada usando ACO, pesquisas futuras poderiam comparar o ACO com outras técnicas de estado da arte para a seleção de arquitetura de rede. Além disso, os autores observam uma lacuna na literatura em relação à otimização simultânea de múltiplos objetivos conflitantes em tarefas de usinagem, posicionando este estudo como um passo para preencher essa lacuna.

Mais como este