Inteligência artificial aplicada ao processo de galvanoplastia para aços de baixo carbono SAE 1008
Inteligência artificial; Resistência à corrosão; Processo de galvanização; Camada de zinco eletrodepositada
Os avanços tecnológicos na área de computação, especialmente na inteligência artificial (IA), têm permitido a implementação de métodos que visam reduzir os tempos de resposta das análises, com o objetivo de diminuir custos e aprimorar a qualidade e segurança das operações. O propósito deste estudo é desenvolver um modelo utilizando IA para prever a resistência à corrosão de aços de baixo teor de carbono protegidos por eletrodeposição de camada superficial de zinco, levando em consideração as variações nos parâmetros do processo de galvanização. A fim de avaliar a resistência à corrosão, foi realizada uma análise da espessura da camada de zinco eletrodepositada, uma vez que existe uma relação direta entre esses dois fatores, referenciados pela NBR 10476: Revestimentos de zinco eletrodepositados sobre ferro ou aço. O experimento foi realizado pelo método de célula de Hull, onde se observam no corpo de prova, regiões de baixa densidade de corrente (BDC) e alta densidade de corrente (ADC). Para o experimento o delineamento estatístico foi fatorial fracionado, sendo sete fatores e dois níveis. As variáveis de entrada foram tempo de banho, (15 e 30 min), ZnO (7 e 14 g/l), NaOH (105 e 140 g/l), ânodo (Fe e Zn), Purifier (5,5 e 11 ml), Base (6 e 12 ml), Brigtner (0,75 e 1,5 ml). A variável de resposta foi à espessura da camada de zinco eletrodepositada. Para a medição da espessura da camada, foi utilizado o método de fluorescência de raios X. Os resultados de espessura de camada eletrodepositada de zinco em μm encontrados para as regiões de BDC e ADC respectivamente foram: média 3,44 e 7,85, desvio padrão 1,41 e 4,63, mínimo 1,13 e 2,3 e máximo 6,19 e 19,1. Através do pacote F2FR em linguagem de programação R, foram realizadas as primeiras análises estatísticas do experimento e gerados os modelos de regressão multivariada de primeira e segunda ordem. Logo, com a validação estatística dos dados pelo F2FR, foi utilizado o software Orange Data Mining para geração do modelo utilizando IA. Os algoritmos de IA utilizados foram linear regression, random forest e gradiente boosting (método xgboost). Compararam-se os modelos de regressão multivariada de primeira ordem, segunda ordem e o melhor modelo utilizando-se IA, o xgboost, onde este obteve melhor desempenho entre todos os modelos, obtendo r² = 0,95 e MSE=0,815. Assim, concluímos que o método de predição utilizando IA é válido, possui o melhor desempenho sobre métodos analíticos de regressão. Métodos de predição de espessura de camada eletrodepositada, podem se tornar ferramenta para os processos industriais de galvanoplastia, auxiliando por exemplo no ajuste prévio dos parâmetros de entrada para obter as espessuras de camada desejada.