Aplicação de inteligência artificial na previsão do coeficiente de atrito em processos de forjamento

Abstract

O coeficiente de atrito é um dos parâmetros mais influentes na conformação mecânica, com impacto direto na precisão dimensional das peças forjadas, na força necessária para a conformação e no desgaste das ferramentas utilizadas no processo. No processo de forjamento, a determinação do coeficiente de atrito é geralmente realizada através do Teste do Anel, um método que envolve a deformação de um anel e a subsequente combinação dos resultados experimentais com curvas de calibração. A obtenção dessas curvas, no entanto, depende de simulações numéricas, um processo que demanda tempo e conhecimento especializado. Para superar essas limitações, esse trabalho propõe a aplicação de técnicas de Inteligência Artificial (IA) para a previsão do coeficiente de atrito de maneira precisa e ágil. Modelos baseados em Redes Neurais Artificiais (RNA) foram avaliados para esse fim. Os modelos foram treinados e calibrados através de uma extensa base de dados contrioda por meio de simulações realizadas no software QForm. Essa base de dados considerou uma variedade de materiais e suas características mecânicas, representadas pelas curvas de escoamento. No total, foram geradas 15.960 entradas (instâncias) para composição do conjunto de dados. A precisão dos modelos foi avaliada utilizando como métricas Erro Médio Absoluto (MAE), Erro Quadrático Médio (MSE) e Coeficiente de Determinação (R²). Os resultados obtidos demonstraram que a IA é capaz de prever o coeficiente de atrito com um alto grau de precisão. Esses achados sugerem que a utilização de IA representa uma alternativa eficaz e mais acessível em comparação com as tradicionais simulações numéricas para a determinação do coeficiente de atrito. A metodologia proposta oferece o potencial de tornar a caracterização do atrito amplamente disponível tanto na indústria quanto em instituições de pesquisa, facilitando a otimização de processos de forjamento.

The coefficient of friction is a important parameter in metal forming, exerting a significant influence on the dimensional accuracy of forged parts, the force required for forming, and the wear of the tools used in the process. In forging, the determination of the coefficient of friction is usually performed using the Ring Test, a method that involves deforming a ring and subsequently comparing the experimental results with calibration curves. Traditionally, these curves are obtained through numerical simulations, which require time, specialized knowledge, and skill in using simulation software. To overcome these limitations, this work proposes the application of Artificial Intelligence (AI) was evaluated for this purpose. The models were trained and calibrated using an extensive database built from simulations conducted with QForm software. This database considered various materials and their mechanical characteristics, represented by their flow curves. In total, 15,960 entries (instances) were generated to compose the dataset. The accuracy of the models was assessed using Mean Absolute Error (MAE), Mean Squared Error (MSE), and the Coefficient of Determination (R²) as metricsThe results demonstrated that AI can predict the coefficient of friction with a high degree of accuracy. These findin. gs suggest that AI represents an effective and more accessible alternative to traditional numerical simulations for the determination of the coefficient of friction. The proposed methodology offers the potential to make friction characterization widely available in both industry and research institutions, facilitating the optimization of forging processes.