Interpretable Hybrid Surrogate Modeling for Diameter Deviation Prediction in Injection Molding Using Symbolic Regression and Gaussian Process Residual Correction

No mundo da manufatura, fabricar peças plásticas é um pouco como assar um bolo, mas com muito menos margem para erro. Quando uma máquina injeta plástico fundido em um molde, ela deve manter a pressão exata, resfriar o material na velocidade perfeita e cronometrar o ciclo com precisão. Se as configurações da máquina estiverem minimamente erradas, a peça final pode ter o tamanho incorreto. Este é um problema de qualidade dimensional. Engenheiros tentam há muito tempo prever exatamente como a mudança nas configurações de uma máquina — como a força com que empurram o plástico ou a rapidez com que ele flui — alterará o tamanho final da peça. O desafio é que esses fatores não atuam sozinhos; eles se entrelaçam de formas complexas. Uma mudança na pressão pode ter um efeito diferente dependendo da velocidade com que o plástico foi injetado ou de quanto tempo a máquina esperou antes de abrir o molde. Geralmente, para entender essas relações, as empresas realizam centenas de experimentos, mas o tempo e o dinheiro muitas vezes as limitam a apenas algumas dezenas. Quando os dados são escassos, os modelos computacionais padrão costumam tornar-se demasiado complicados para serem compreendidos ou falham em prever com precisão.

Uma equipa de investigadores de Marrocos propôs-se a resolver este enigma para um tipo específico de peça plástica, focando-se num defeito chamado desvio de diâmetro, que é simplesmente o quanto a largura da peça difere do tamanho pretendido. Eles queriam construir um modelo computacional que pudesse prever este erro usando muito poucos dados, mas com um detalhe crucial: o modelo tinha de ser compreensível. Em vez de esconder a lógica dentro de uma caixa negra, queriam uma regra matemática clara que um engenheiro pudesse ler e confiar. Para o fazer, combinaram duas abordagens diferentes. Primeiro, utilizaram uma técnica chamada regressão simbólica, que é essencialmente uma busca pela equação mais simples possível que se ajuste aos dados. Depois, adicionaram uma segunda camada, uma ferramenta estatística conhecida como processo gaussiano, para capturar os detalhes pequenos e desordenados que a primeira equação perdeu. O objetivo era criar um sistema híbrido que fosse simultaneamente transparente e preciso, mesmo trabalhando com apenas vinte e sete condições operacionais distintas.

Os investigadores começaram por recolher dados de duas campanhas experimentais separadas, que juntas produziram 127 execuções. Como algumas destas execuções repetiam as mesmas condições, eles calcularam a média dos resultados para criar um conjunto limpo de vinte e sete cenários representativos. A partir destes, selecionaram quatro controles principais para estudar: a pressão usada para manter o plástico no molde, a contrapressão que empurra contra ele, o tempo total do ciclo e a velocidade com que o plástico é injetado. Em vez de introduzir estes quatro números brutos diretamente no computador, a equipa transformou-os primeiro em combinações mais significativas. Criaram novos inputs que representavam coisas como o equilíbrio entre as pressões ou a interação entre velocidade e tempo. Este passo foi vital porque deu ao computador um vocabulário melhor para descrever o processo físico, permitindo-lhe encontrar uma regra mais simples e precisa.

Utilizando estes dados preparados, os investigadores deixaram o algoritmo de regressão simbólica procurar a melhor expressão matemática. O resultado foi uma equação compacta que atuou como o preditor principal. Esta equação capturou com sucesso a tendência dominante de como as configurações da máquina afetavam o tamanho da peça. Quando testada contra os dados que não tinha visto durante a sua criação, esta equação previu o desvio de diâmetro com um erro de cerca de 10,19 micrômetros. Para colocar isto em perspetiva, um fio de cabelo tem aproximadamente 70 a 100 micrômetros de espessura, portanto, o modelo estava a prever erros menores do que um décimo da largura de um fio de cabelo. Embora impressionante, os investigadores sabiam que nenhuma equação individual conseguiria capturar cada pequena flutuação no complexo processo de fabrico. Havia sempre pequenos "balanços" inexplicáveis restantes.

Para abordar estes erros remanescentes, a equipa treinou um segundo modelo, um processo gaussiano, especificamente para aprender os erros cometidos pela primeira equação. Pense neste segundo modelo como um refinador que observa a lacuna entre o que a primeira equação previu e o que realmente aconteceu, aprendendo a corrigi-la. Quando combinaram os dois, o modelo híbrido teve um desempenho ainda melhor, reduzindo o erro de previsão para 9,32 micrômetros. Esta melhoria, embora pareça pequena em termos absolutos, é estatisticamente significativa. Mais importante ainda, a abordagem híbrida manteve a lógica central da primeira equação visível e compreensível, enquanto a segunda parte lidava com os detalhes desordenados. Isto significava que um engenheiro ainda poderia olhar para a regra principal para compreender o comportamento geral da máquina, enquanto confiava na camada de correção para uma maior precisão.

Os investigadores utilizaram depois estes modelos para fazer uma pergunta prática: quais as configurações de máquina que produziriam o menor erro possível? Eles realizaram uma busca de otimização para encontrar a combinação ideal de pressão, velocidade e tempo dentro do intervalo que tinham testado. A equação simples sugeriu um cenário ideal com um erro de cerca de 33,25 micrômetros. No entanto, o modelo híbrico, com a sua capacidade de corrigir erros subtis, apontou para um conjunto diferente de configurações que poderia, teoricamente, reduzir o erro para apenas 23,73 micrômetros. Esta mudança mostrou que adicionar a camada de correção não apenas melhorou os números; alterou de facto a recomendação de como operar a máquina. Os investigadores notaram que estas eram previsões baseadas nos seus modelos e que ainda não tinham sido testadas numa máquina real, mas a diferença era grande o suficiente para justificar um teste no mundo real.

Ao longo de todo o estudo, a equipa foi cuidadosa em ser honesta sobre os limites do seu trabalho. Enfatizaram que o seu modelo era um guia local, válido apenas para a máquina, o material e o molde específicos que testaram, e não uma lei universal para todo o moldagem de plástico. Também apontaram que, embora o seu modelo fornecesse uma medida de incerteza, mostrando o quão confiante era nas suas previsões, esta confiança não tinha sido totalmente verificada com novos experimentos independentes. O verdadeiro teste viria quando os engenheiros tentassem as configurações recomendadas no chão de fábrica. O estudo concluiu que esta abordagem híbrida oferecia um meio-termo prático para problemas industriais onde os dados são escassos. Proporcionou uma forma de obter o melhor de dois mundos: a clareza de uma equação simples e a flexibilidade de uma correção estatística complexa, dando aos engenheiros uma ferramenta que é simultaneamente inteligente e explicável.