Active Learning-Driven Surrogate Modeling for Fatigue LifePrediction of LPBF Hastelloy-X Using Defect-Informed FiniteElement Analysis

Resumo Técnico: Modelagem de Substituição Baseada em Aprendizado Ativo para Predição de Vida à Fadiga de Hastelloy-X via LPBF

Definição do Problema
O Hastelloy-X fabricado aditivamente via Fusão em Leito de Pó a Laser (LPBF) exibe um comportamento de fadiga altamente sensível a defeitos induzidos pelo processo, incluindo rugosidade superficial, porosidade subsuperficial e orientação de construção. As abordagens existentes de predição de vida tipicamente tratam esses fatores de forma independente, dependem de conjuntos de dados experimentais extensos e falham em considerar as interações não lineares complexas entre os defeis e as condições de carregamento termo-mecânico. Além disso, modelos de aprendizado de máquina puramente orientados a dados frequentemente sofrem com baixa capacidade de extrapolação e falta de quantificação de incerteza, enquanto modelos empíricos clássicos (ex: Coffin-Manson-Basquin) exigem conjuntos de parâmetros separados para cada combinação de material, orientação e temperatura, tornando-os ineficientes para o vasto espaço de design de componentes LPBF. O ônus experimental para caracterizar a fadiga através de múltiplas amplitudes de deformação, temperaturas (até 750°C) e orientações é proibitivamente alto, exigindo frequentemente centenas de corpos de prova.

Metodologia
Os autores propõem um framework híbrido, informado por defeitos, que integra modelagem baseada em física, Análise de Elementos Finitos (FEA) de alta fidelidade e aprendizado ativo por Processos Gaussianos (GP) de alta eficiência de dados. A metodologia consiste em três componentes primários:

1. Modelo de Deformação-Vida Unificado Sensível a Defeitos (UDSL):
   Um modelo analítico baseado em física foi desenvolvido para prever a vida à fadiga controlada por deformação ($N_f$) em um amplo espaço de design. Diferente de regressões polinomiais arbitrárias, o modelo UDSL deriva termos de mecanismos físicos específicos:

   • Lei de Potência Deformação-Vida: Relações generalizadas de Basquin/Coffin-Manson.
   • Rugosidade como um Entalhe Distribuído: Modelada usando um termo logarítmico baseado na sensibilidade ao entalhe de Peterson, vinculando a rugosidade média aritmética ($R_a$) à concentração de tensão efetiva.
   • Geometria de Orientação: Um termo que contabiliza o "efeito escada" dependente do ângulo de construção ($\theta$).
   • Escalonamento de Temperatura Homóloga: Normaliza a temperatura em relação ao ponto de fusão ($T_m = 1628$ K) para capturar a deformação termicamente ativada.
   • Interação Deformação-Temperatura: Termos cruzados que capturam a transição da dominância elástica para a plástica em temperaturas elevadas.
     O modelo foi calibrado utilizando apenas 19 pontos de dados de uma única condição (27°C, orientação horizontal) e validado contra um conjunto abrangente de 440 pontos.

2. Análise de Elementos Finitos (FEA) Informada por Defeitos:
   Simulações 3D de alta fidelidade no Abaqus foram conduzidas para quantificar fatores de concentração de tensão ($K_t$) e interações de defeitos:

   • Rugosidade Superficial: Superfícies realistas de LPBF foram geradas via síntese de Fourier para calcular o $K_t$, validando os coeficientes de rugosidade no modelo UDSL.
   • Porosidade e Crescimento de Vazio: Modelos de plasticidade porosa de Gurson-Tvergaard-Needleman (GTN) demonstraram um crescimento significativo de vazios (amplificação de 7,3x) sob deformação plástica, justificando a inclusão de termos de interação porosidade-deformação.
   • Interação Combinada de Defeitos: Simulações de poros subsuperficiais localizados abaixo de vales de superfície rugosa revelaram um efeito de acoplamento subaditivo. A concentração de tensão combinada foi inferior à soma dos efeitos individuais, levando a uma formulação de interação generalizada com um coeficiente de interação calibrado ($\rho = 0,329$).

3. Substituto de Processo Gaussiano (GP) com Aprendizado Ativo:
   Para abordar a escassez de dados e fornecer quantificação de incerteza, um substituto GP foi treinado em características informadas pela física derivadas do modelo UDSL e dos resultados de FEA (ex: temperatura homóloga, deformação efetiva, fatores de concentração de tensão). Uma estratégia de aprendizado ativo (AL) foi empregada, selecionando iterativamente os pontos experimentais mais informativos com base na variância preditiva máxima. Esta abordagem visou minimizar o número de testes de fadiga necessários, maximizando a precisão do modelo.

Principais Resultados

• Achados Experimentais: A vida à fadiga diminuiu monotonicamente com a temperatura, caindo quase duas ordens de magnitude entre 27°C e 750°C. Uma classificação consistente dependente da orientação foi observada: Horizontal > 45° > Vertical. A rugosidade superficial foi identificada como o fator dominante que governa essa anisotropia, enquanto a porosidade volumétrica não apresentou correlação sistemática com a vida à fadiga sob as condições de superfície testadas.
• Desempenho do Modelo UDSL: O modelo UDSL de 8 parâmetros alcançou um $R^2$ de 0,984 e um Erro Quadrático Médio (RMSE) de 0,131 (em $\log_{10} N_f$) no conjunto completo de 440 pontos. Ele previu 97,7% dos dados dentro de um fator de dois da vida experimental. Crucialmente, esta precisão foi alcançada usando apenas 19 pontos de calibração, representando uma redução de >95% nos requisitos de dados experimentais em comparação com os métodos de calibração convencionais.
• Insights de FEA: A FEA confirmou que a interação entre rugosidade superficial e porosidade subsuperficial é subaditiva. A concentração de tensão combinada ($K_t \approx 2,85$) foi significativamente menor que a previsão multiplicativa, fornecendo uma base menos conservadora e mais precisa para o design.
• Eficiência do Aprendizado Ativo: O substituto GP, treinado em características informadas pela física, atingiu a mesma precisão preditiva ($R^2 = 0,984$) que o modelo UDSL usando apenas 20 pontos de treinamento selecionados ativamente. Isso representa uma melhoria de 2,5x na eficiência de dados em comparação com a amostragem aleatória, que exigiu aproximadamente 50 pontos para atingir precisão similar.
• Quantificação de Incerteza: O framework GP forneceu estimativas de incerteza bem calibradas, com intervalos de confiança nominais de 95% capturando 94,2% dos dados de validação. Isso permite a tomada de decisão baseada em risco e o planejamento experimental direcionado.

Significância e Alegações
O artigo afirma abordar três lacunas críticas no estado da arte atual:

1. Modelagem de Defeitos Acoplados: É o primeiro modelo a contabilizar simultaneamente e quantitativamente os efeitos acoplados de rugosidade superficial, porosidade subsuperficial, orientação de construção e temperatura na vida à fadiga de Hastelloy-X via LPBF.
2. Caracterização de Interação de Defeitos: Fornece a primeira caracterização de alta fidelidade via FEA do campo de tensão da interação entre rugosidade e porosidade, estabelecendo uma regra de interação subaditiva em vez de assumir efeitos aditivos ou independentes.
3. Framework Integrado: Demonstra um framework prático que integra modelagem baseada em física, simulação informada por defeitos e aprendizado ativo de alta eficiência de dados.

Os autores afirmam que esta abordagem reduz o ônus experimental em mais de 95%, mantendo alta fidelidade preditiva e fornecendo incerteza calibrada. A integração de interpretabilidade física (via UDSL), sensibilidade a defeitos (via FEA) e quantificação de incerteza (via GP) oferece um caminho escalável para a qualificação de componentes LPBF em aplicações de alta temperatura e segurança crítica. O estudo conclui que, embora o modelo UDSL se destaque em extrapolação e interpretabilidade, o framework GP+AL oferece superior adaptabilidade para avaliação probabilística e planejamento de testes adaptativo, sendo as duas abordagens complementares em vez de concorrentes.