Pesquisadores do Instituto de Ciência e Tecnologia da Universidade Federal de São Paulo (ICT/Unifesp) – Campus São José dos Campos e do National Center for Metallurgical Research (CENIM-CSIC), na Espanha, desenvolveram um estudo que combina espectroscopia e inteligência artificial para tornar mais precisa a análise da composição de alumínio e de ligas de alumínio.
A pesquisa testa uma forma de quantificar a composição de ligas metálicas a partir do espectro produzido via Espectroscopia de Emissão Óptica Induzida por Laser (LIBS), gerado na caracterização da superfície do material. A proposta pode tornar mais rápida e confiável a análise de metais utilizados em setores como indústria, reciclagem e controle de qualidade.
Publicado na revista científica Scientific Reports, o estudo avaliou três modelos de aprendizado de máquina (machine learning) aplicados à análise de amostras de alumínio comercialmente puro e de ligas de alumínio. Entre os modelos testados, o que apresentou melhor desempenho geral foi o Extremely Randomized Trees, com menores erros de predição e maior estabilidade na identificação dos elementos presentes nas amostras.
A pesquisa
A técnica conhecida como LIBS emprega um pulso de laser na superfície do material, gerando um plasma nesta região. O plasma é captado por uma fibra óptica, que é convertido num sinal associado aos elementos químicos presentes no material.
Apesar de permitir análises qualitativas rápidas e exigir pouca preparação das amostras, a técnica apresenta desafios quando o objetivo é quantificar com precisão os elementos do material analisado. No caso do alumínio e suas ligas, os sinais podem sofrer interferências relacionadas ao comportamento do plasma, à sobreposição de informações e às próprias características das ligas analisadas.
Para enfrentar essas limitações, os pesquisadores utilizaram modelos de aprendizado de máquina capazes de reconhecer padrões nos dados gerados pela análise. Em vez de observar apenas sinais isolados, os modelos foram treinados com o conjunto completo de informações produzido em cada espectro, permitindo estimar a presença e a quantidade de elementos como alumínio, cobre, zinco, magnésio, ferro e silício.
Aplicação
A composição de ligas metálicas é um fator central para diferentes setores produtivos. Pequenas variações na quantidade de determinados elementos podem alterar propriedades como resistência mecânica, durabilidade, comportamento frente à corrosão e possibilidade de reaproveitamento industrial.
Por isso, métodos mais rápidos e confiáveis de análise podem ter impacto em áreas como metalurgia, indústria automotiva, indústria aeroespacial, reciclagem de metais, controle de qualidade e caracterização de materiais. No caso da reciclagem, por exemplo, identificar corretamente a composição de ligas de alumínio pode contribuir para separar materiais de forma mais eficiente, reduzir desperdícios e melhorar o reaproveitamento nos processos produtivos.
Resultado
O estudo analisou 500 espectros obtidos de dez amostras certificadas de alumínio e ligas de alumínio. A partir desses dados, foram comparados três modelos de aprendizado de máquina: Random Forest, Gradient Boosting e Extremely Randomized Trees. Os modelos também foram avaliados em amostras independentes, não utilizadas no treinamento, para verificar se conseguiam manter o desempenho em novos materiais.
Os resultados indicaram que os três modelos conseguiram estimar a composição das amostras com baixos erros, mas o Extremely Randomized Trees apresentou o melhor desempenho geral. Segundo o artigo, o modelo alcançou erro médio absoluto inferior a 0,25% em massa e erro quadrático médio inferior a 0,33% em massa nas validações realizadas – ou seja, esse método conseguiu medir a composição das ligas metálicas com maior precisão.
Para os autores do estudo, os resultados mostram que a combinação entre a técnica analítica e aprendizado de máquina pode contribuir para superar limitações tradicionais da quantificação de ligas metálicas, especialmente em materiais com composição mais complexa.
Para mais informações, acesse aqui.
Crédito da imagem de abertura: Divulgação ABAL
