⚡ engenharia elétrica

Longitudinal Segmentation and Terminal Classification of WAAM Single Beads from 3D Point Clouds

Este estudo introduz um fluxo de trabalho orientado por geometria e informado por especialistas, utilizando um algoritmo quadrático–linear–quadrático (Q–L–Q) para segmentar e classificar automaticamente as regiões START, MID e END de contas únicas de WAAM a partir de nuvens de pontos 3D, preservando com sucesso comportamentos geométricos transientes obscurecidos pela média longitudinal tradicional.

Autores originais: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

Publicado 2026-10-16

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

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

Imagine uma fábrica onde braços robóticos gigantes constroem partes metálicas massivas, camada por camada, usando um processo que se assemelha um pouco a uma tocha de soldagem muito precisa e de alta temperatura. Este método, conhecido como manufatura aditiva por arco de arame, está se tornando um favorito para a criação de estruturas metálicas grandes e complexas porque é rápido e relativamente barato. No entanto, para que os robôs construam essas partes perfeitamente, o metal que eles depositam precisa ser consistente. Se o cordão de metal for largo demais, alto demais ou tiver o formato errado, as camadas não se empilharão corretamente e a peça final poderá ser fraca ou deformada. Por muito tempo, os engenheiros observaram esses cordões de metal como se fossem tiras uniformes, medindo a largura e a altura médias de todo o comprimento para verificar se o processo está funcionando. Mas essa abordagem possui um ponto cego. Assim como um corredor pode começar devagar, dar um pique no meio e diminuir o ritmo para parar, um cordão de metal não se forma da mesma maneira do início ao fim. O início e o fim do caminho metálico são frequentemente caóticos e instáveis, enquanto a seção central é constante. Se calcularmos a média de tudo isso, perdemos os detalhes desses momentos críticos, escondendo as próprias variações que poderiam fazer uma peça falhar.

Uma equipe de pesquisadores da Universidade de Maribor, na Eslovênia, decidiu observar mais de perto esses cordões de metal para ver se conseguiam separar o início e o fim caóticos do meio estável. Eles trabalharam com cinquenta cordões de metal individuais, cada um com cerca de 40 milímetros de comprimento, que haviam sido depositados em placas de aço por um braço robótico. Para visualizar a forma desses cordões com detalhes incríveis, eles usaram um scanner a laser para criar um mapa tridimensional da superfície, capturando milhares de pontos minúsculos que descrevem a altura e a largura do cordão em cada ponto ao longo de seu comprimento. Em vez de tratar cada cordão como um único objeto longo e uniforme, os pesquisadores quiseram dividi-lo em três zonas distintas: o início, o meio e o fim. O objetivo deles era provar que essas zonas se comportam de maneira diferente e criar um método computacional que pudesse encontrar automaticamente onde uma zona termina e a próxima começa, sem a necessidade de um humano observar cada digitalização.

Antes de ensinar o computador a fazer isso, os pesquisadores primeiro pediram a um especialista humano que observasse os dados e marcas as fronteiras manualmente. Este especialista, guiado pela forma visual do metal, identificou onde o cordão parecia se estabilizar e onde ainda estava se assentando ou encerrando o processo. Quando a equipe analisou essas seções marcadas pelo humano, um padrão claro surgiu. A seção central dos cordões era notavelmente estável, com pouquíssima alteração na largura ou altura conforme o robô se movia. Era quase uma linha reta e plana. As seções inicial e final, no entanto, eram tudo menos planas. Elas faziam curvas e mudavam de forma significativamente, mostrando uma evolução rápida na geometria que uma linha reta simples não conseguiria descrever. Essa observação foi crucial. Ela disse aos pesquisadores que a parte central poderia ser descrita com um modelo de linha reta simples, enquanto as partes inicial e final precisariam de um modelo curvo mais complexo para capturar sua forma mutável.

Armados com esse conhecimento, a equipe construiu um novo algoritmo de computador baseado em uma ideia de "curva-reta-curva". Eles ensinaram o software a analisar os dados do escaneamento a laser e encontrar os dois pontos onde a forma do cordão mudava da curva selvagem do início para a linha reta calma do meio, e de volta para a curva do fim. O computador não apenas adivinhava; ele testava milhões de possíveis pontos de divisão, procurando pela combinação que fizesse a matemática se ajustar melhor à forma real do metal. O sistema dava atenção especial à área da seção transversal, que é essencialmente quanto metal há em uma fatia do cordão, pois isso se revelou a pista mais importante para encontrar as fronteiras. O resultado foi um sistema que podia dividir automaticamente o cordão em suas três partes funcionais com alta precisão.

Quando os pesquisadores compararam o trabalho do computador com as marcações originais do especialista humano, descobriram que os dois concordavam muito bem, embora não perfeitamente. Em média, as fronteiras do computador estavam erradas por cerca de 3,5 milímetros. Essa pequena diferença não é necessariamente um erro; ela reflete que o computador e o humano estavam usando regras ligeiramente diferentes para definir exatamente onde o "início" deixa de ser o "início". Mais importante ainda, o computador identificou com sucesso a seção central como a parte mais estável em cada um dos cinquenta cordões. De fato, a variação na seção central era tão menor do que nas seções inicial ou final que o computador pôde distingui-las com quase total certeza. As seções inicial e final eram geometricamente tão diferentes entre si que o computador conseguiu até mesmo identificar qual extremidade do cordão era o começo e qual era o fim, apenas olhando para a forma, mesmo sem saber em qual direção o robô estava se movendo.

O estudo confirma que tratar um cordão de metal como um único objeto uniforme é uma simplificação que esconde realidades físicas importantes. Ao separar um cordão em um meio estável e duas extremidades variáveis, os engenheiros podem agora analisar o processo de forma mais precisa. Eles podem focar no meio constante para entender como a máquina opera sob condições normais, enquanto estudam o início e o fim separadamente para compreender os momentos complicados de iniciação e terminação. Esta abordagem não apenas descreve melhor o metal; oferece uma nova maneira de controlar o processo de fabricação. Se um robô puder ser ensinado a reconhecer essas zonas específicas em tempo real, ele poderá ajustar sua velocidade ou calor exatamente quando o cordão estiver começando ou parando, garantindo que cada parte da estrutura metálica seja construída com a mesma alta qualidade. Os pesquisadores observam que, embora seu método funcione bem para os cordões de aço testados, o verdadeiro teste virá quando tentarem aplicá-lo em diferentes materiais e máquinas, mas a ideia fundamental — de que o início, o meio e o fim de um cordão de metal são mundos distintos — agora possui uma base sólida e baseada em dados.

Resumo Técnico: Segmentação Longitudinal e Classificação de Terminais de Cordões Únicos de WAAM a partir de Nuvens de Pontos 3D

Definição do Problema
A Fabricação de Adição por Arco e Arame (WAAM) depende do controle da geometria depositada, uma vez que a largura, altura e área da seção transversal do cordão ditam a altura da camada, a sobreposição e a precisão dimensional. No entanto, os estudos existentes de processo–geometria tipicamente resumem os cordões utilizando descritores globais ou seções transversais esparsas, o que suprime a estrutura longitudinal de trajetórias de deposição individuais. Essa abordagem obscurece comportamentos geométricos transientes que ocorrem durante a iniciação (START) e a terminação (END) da deposição, onde as condições diferem do regime de operação quase estável. Consequentemente, a média de todo o cordão pode mascarar a evolução não linear sistemática nos terminais e reduzir a interpretabilidade física dos modelos de processo baseados em geometria. Há uma necessidade de uma definição operacional reprodutível para separar e caracterizar as regiões START, MID e END diretamente de nuvens de pontos 3D pós-processamento densas.

Metodologia
O estudo utilizou um conjunto de dados de 50 cordões únicos depositados em três placas de aço estrutural S355 usando uma célula robótica WAAM. Os cordões foram medidos utilizando um scanner de perfil a laser para gerar seis nuvens de pontos 3D parcialmente sobrepostas. A metodologia procedeu em três estágios sequenciais:

Estabelecimento de Referência Informado por Especialista: Antes de desenvolver um algoritmo automático, um especialista na área avaliou visualmente os 50 cordões para estabelecer uma segmentação de referência START–MID–END. Este processo envolveu a definição de regiões de interesse espacial (ROI) e um intervalo MID inicial, que foram posteriormente refinados usando regras padronizadas para comprimento regional e amostragem.
Base Empírica e Formulação Q–L–Q: A análise estatística das regiões informadas pelo especialista revelou que a região MID exibiu um comportamento aproximadamente linear e de baixa variação, enquanto as regiões START e END mostraram uma evolução não linear sistemática. Esta observação motivou a formulação de um modelo Quadrático–Linear–Quadrático (Q–L–Q).
Algoritmo de Segmentação Automática: Um algoritmo baseado em geometria foi desenvolvido para determinar automaticamente as coordenadas de transição ( $u_1$ $u_{1}$ e $u_2$ $u_{2}$ ) entre START, MID e END. O algoritmo minimiza uma função objetivo que combina:
- Ajuste de Modelo Regional: Ajuste de polinômios quadráticos aos dados de largura, altura e área da seção transversal em START/END e um polinômio linear em MID.
- Continuidade: Penalização de descontinuidades nos valores ajustados nos pontos de transição.
- Penalidade de Comprimento: Desencorajamento de regiões MID excessivamente curtas.
  O algoritmo realiza uma busca exaustiva de pares de transição admissíveis para minimizar a função objetivo combinada.
Validação e Classificação: A segmentação automática foi validada contra a referência informada pelo especialista usando a Diferença Absoluta Média de Fronteira (MABD). Além disso, um modelo de classificação independente de posição (regressão logística com regularização L2) foi treinado para distinguir START de END baseando-se apenas em descritores geométricos (média, mediana, desvio padrão e coeficiente de variação da largura, altura e área), excluindo informações posicionais. A validação incluiu esquemas de leave-one-bead-out (LOBO) e leave-one-plate-out aninhados.

Principais Resultados

Caracterização Geométrica: A análise informada pelo especialista confirmou que a região MID possui uma variação longitudinal significativamente menor (coeficiente de variação médio da área da seção transversal $CV_A = 0,040$ ) comparado a START ($0,319 $) e END ($ 0,369$). Modelos quadráticos superaram significativamente os modelos lineares na representação das regiões terminais, particularmente para altura e área da seção transversal.
Desempenho da Segmentação Automática: O algoritmo Q–L–Q automático segmentou com sucesso todos os 50 cordões. As regiões MID resultantes exibiram consistentemente os menores $CV_A$ (média de $0,054$) em comparação a START ($0,346 $) e END ($ 0,437$).
Correspondência de Fronteira: As coordenadas de transição automáticas apresentaram uma MABD combinada de 3,49 mm em relação à referência informada pelo especialista. O método automático tendeu a definir uma região MID ligeiramente mais longa, deslocando a fronteira START–MID para coordenadas menores e a fronteza MID–END para coordenadas maiores.
Contribuição dos Descritores: A ablação de exclusão de um descritor por vez revelou que a área da seção transversal foi o maior contribuidor para a estimativa das coordenadas de transição (55,4% da contribuição total), seguida pela altura (24,0%) e largura (20,6%).
Classificação de Terminais: O modelo de classificação alcançou precisão perfeita (1,00) ao distinguir START de END usando as regiões terminais originais de comprimentos desiguais. Crucialmente, mesmo após a extração de extensões físicas de comprimentos correspondentes para remover o viés de comprimento, o modelo manteve alta precisão (0,94 sob LOBO e 0,96 sob validação leave-one-plate-out). Isso indica que START e END possuem distribuições geométricas distintas, independentes de seu comprimento físico ou posição.

Significância e Alegações
O artigo afirma fornecer um fluxo de trabalho reprodutível e orientado pela geometria que preserva a informação geométrica longitudinal frequentemente perdida na média do cordão completo. Ao estabelecer uma formulação Q–L–Q baseada em evidências empíricas, o estudo oferece um método para separar regimes de deposição quase estacionários (MID) e transientes (START/END).

Os autores enfatizam que esta abordagem permite:

Modelagem Específica por Região: Caracterizar o comportamento de deposição estável na região MID separadamente das respostas transientes no início e no fim.
Comparação de Estratégias de Processo: Facilitar a análise de estratégias de início e parada, isolando os transientes terminais.
Compensação de Trajetória: Apoiar o desenvolvimento de estratégias de compensação dependentes da localização.

O estudo observa explicitamente que seus resultados representam uma validação interna dentro de uma campanha experimental específica (aço S355, célula robótica específica e janela de processo). Os autores afirmam que a generalização mais ampla para diferentes materiais, sistemas de deposição e janelas de processo requer validação adicional com conjuntos de dados independentes. O trabalho não pretende substituir o controle em tempo real, mas sim fornecer um framework pós-processamento para identificar regiões que podem exigir diferentes estratégias de modelagem ou monitoramento.

Mais como este