Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

Imagine uma fábrica onde enormes peças metálicas não são esculpidas a partir de um bloco sólido, mas sim construídas camada por camada, a partir de um fluxo de metal fundido. Isso é a deposição de energia direcionada, um método de fabricação de alta tecnologia usado para criar desde componentes de motores de jato até implantes médicos. É poderoso e flexível, capaz de reparar máquinas caras ou imprimir formas complexas que seriam impossíveis de fabricar de qualquer outra maneira. No entanto, o processo é notoriamente difícil de controlar. O metal é derretido por fontes de calor intensas, como lasers ou arcos elétricos, criando uma pequena e escaldante poça de líquido que esfria e solidifica em uma fração de segundo. Como isso acontece de forma muito rápida e envolve temperaturas tão extremas, o processo é instável. Pode facilmente desenvolver rachaduras ocultas, buracos ou pontos fracos que arruínam a peça final. Tradicionalmente, corrigir esses problemas significava um ciclo lento e caro de tentativa e erro: configurar a máquina, construir uma peça, cortá-la para inspeção, encontrar a falha, alterar as configurações e tentar novamente.

Para quebrar esse ciclo, os pesquisadores estão recorrendo a duas ferramentas poderosas: o aprendizado de máquina (machine learning) e os gêmeos digitais (digital twins). O aprendizado de máquina é um tipo de inteligência computacional que aprende a reconhecer padrões a partir de vastas quantidades de dados, de forma muito semelhante a como um humano aprende a identificar um defeito ao observar milhares de exemplos. Um gêmeo digital é uma cópia virtual da máquina física e da peça que está sendo construída. Não é apenas um modelo 3D estático; é uma simulação viva que recebe dados em tempo real de sensores que observam a máquina real, permitindo que ela espelhe o mundo físico conforme ele acontece. Quando essas duas tecnologias são combinadas, elas prometem transformar a fabricação de um processo reativo, onde os defeitos são encontrados após acontecerem, em um processo proativo, onde os problemas são previstos e corrigidos antes mesmo que o metal esfrie.

Uma equipe de pesquisadores da Universidade do Texas em Rio Grande Valley buscou recentemente mapear o estado atual desta tecnologia. Eles conduziram uma revisão sistemática de 130 estudos científicos publicados entre 2016 e 2026, analisando como o aprendizado de máquina e os gêmeos digitais estão sendo usados atualmente na deposição de energia direcionada. O trabalho deles, publicado em uma revisão sistemática da literatura, revela um campo que está avançando rapidamente, mas que ainda se encontra no limite de uma grande transição. Os pesquisadores descobriram que, embora os cientistas tenham se tornado muito bons no uso de câmeras e sensores para observar o processo e prever quando algo pode dar errado, eles ainda não dominaram totalmente a capacidade de corrigir esses problemas automaticamente em tempo real.

A revisão destaca que os materiais mais comuns sendo estudados são tipos específicos de aço e superligas à base de níquel, que são essenciais para as indústrias aeroespacial e de energia. Os métodos de fabricação mais frequentemente utilizados são a deposição por arco de metal (wire arc deposition), que usa um arco elétrico para derreter o fio metálico, e a deposição baseada em laser, que usa um laser de alta potência para derreter o pó metálico. Nesses estudos, o foco principal tem sido "enxergar" o processo. Pesquisadores equiparam as máquinas com câmeras de alta velocidade e sensores térmicos para capturar imagens da poça fundida. Eles então alimentam esses dados visuais em modelos de aprendizado de máquina, frequentemente usando redes neurais complexas que atuam como olhos digitais. Esses modelos mostraram um sucesso notável na identificação de defeitos. Alguns estudos relataram que esses sistemas puderam detectar rachaduras ou buracos com taxas de precisão superiores a 99%, ou prever a forma do cordão de solda com alta precisão.

No entanto, os autores apontam uma lacuna crítica entre ver um problema e resolvê-lo. A maioria dos sistemas de gêmeos digitais revisados até agora funciona mais como uma "sombra digital". Nesse cenário, o fluxo de dados é unidirecional: da máquina física para o modelo virtual. O modelo virtual pode dizer aos operadores: "Olhe, um defeito está se formando" ou "A temperatura está muito alta". Mas ele raramente toma uma atitude por conta própria. A conexão entre a previsão virtual e a máquina física é frequentemente interrompida. Em vez de o computador ajustar automaticamente a potência do laser ou a velocidade do braço robótico para corrigir o erro, o sistema geralmente para e espera pela intervenção de um operador humano. Os pesquisadores observam que, embora alguns estudos avançados tenham demonstrado o controle de malha fechada (closed-loop control) — onde o sistema ajusta automaticamente o processo para corrigir um erro —, estes são a exceção, não a regra.

A revisão também identifica obstáculos significativos que impedem que essas tecnologias sejam amplamente utilizadas na indústria. Um problema principal é a falta de dados. Treinar um modelo de aprendizado de máquina requer milhares de exemplos de peças boas e ruins. Na deposição de energia direcionada, criar esses exemplos é caro e demorado. Muitas vezes, é necessário destruir a peça acabada para inspecioná-la em busca de falhas internas, o que significa que os pesquisadores não podem coletar facilmente os conjuntos de dados massivos necessários para ensinar os computadores. Para lidar com isso, alguns pesquisadores utilizam técnicas como o aprendizado por transferência (transfer learning), onde um modelo treinado em um tipo de metal é adaptado para funcionar em outro, ou utilizam simulações baseadas em física para gerar dados virtuais. No entanto, os autores alertam que esses métodos não são perfeitos. Um modelo treinado em uma máquina ou um material específico frequentemente tem dificuldades para funcionar em uma configuração diferente, limitando sua utilidade em um ambiente fabril diversificado.

Além disso, os pesquisadores descobriram que os gêmeos digitais atuais são frequentemente simples demais para lidar com a complexidade da fabricação do mundo real. Um verdadeiro gêmeo digital deve ser capaz de se comunicar de ida e volta com a máquina física, atualizando constantemente sua própria compreensão com base em novos dados e usando esse conhecimento para guiar as ações da máquina. Atualmente, muitos sistemas são fragmentados. Eles podem ser excelentes em monitorar a temperatura ou prever a geometria, mas carecem da capacidade de integrar todas essas informações em um único processo de tomada de decisão autônomo. A revisão sugere que, para que essas tecnologias alcancem seu pleno potencial, o campo precisa ir além de experimentos isolados. Pesquisas futuras devem focar na criação de sistemas padronizados que possam lidar com dados de múltiplos sensores simultaneamente, operar em tempo real sem atrasos (lag) e, o mais importante, fechar o ciclo entre a previsão e a ação.

Os autores concluem que, embora a fundação tenha sido lançada, a casa ainda não está construída. A capacidade de prever defeitos está bem estabelecida, mas a capacidade de corrigi-los autonomamente permanece incompleta. O próximo passo para a indústria é desenvolver sistemas robustos de malha fechada, onde a máquina não apenas observa a si mesma, mas conduz ativamente seu próprio curso. Isso exige não apenas algoritmos melhores, mas também uma integração mais profunda das leis físicas nos modelos computacionais e um compromimento com o compartilhamento de dados entre diferentes máquinas e materiais. Até lá, a deposição de energia direcionada permanecerá uma tecnologia de grande promessa, contida pela necessidade de preencher a lacuna entre observar o processo e verdadeiramente controlá-lo.