O aprendizado de máquina foi usado para alcançar uma melhoria drástica no desempenho dos consumíveis de soldagem para o Welding Alloys Group

Resumo Executivo

O desgaste é um dos problemas mais desafiadores enfrentados pela indústria pesada. Por exemplo, somente na indústria de mineração, aproximadamente 17% da energia consumida é usada para combater a falha por desgaste, representando 2,7% das emissões globais de CO . Se esses números forem multiplicados para cada setor (construção, petróleo e gás, etc.), a escala do problema se torna evidente. Assim, evitar ou minimizar o desgaste é uma prioridade máxima na indústria.

Um dos métodos mais comuns para combater o desgaste é soldando consumíveis altamente ligados (materiais de revestimento) nas superfícies dos componentes. Esses consumíveis devem atender a requisitos rigorosos de segurança, custo, impacto ambiental e desempenho. O desempenho ao desgaste é determinado por uma interação complexa de propriedades, portanto, otimizar o custo/benefício para materiais de revestimento é uma operação altamente complexa.

Este estudo de caso descreve a jornada realizada pelo Welding Alloys Group (WAG) e pela Intellegens na aplicação de aprendizado de máquina a este problema, o que resultou no desenvolvimento de um material de revestimento aprimorado com vantagens drásticas de custo/benefício, não apenas do ponto de vista de desempenho, mas também do ponto de vista ambiental.

Desafio
O desgaste é um fenômeno muito complexo. A concepção comum de que alta dureza garante altas propriedades de resistência ao desgaste é enganosa. A resistência ideal ao desgaste é definida por uma interação complexa de propriedades químicas e mecânicas de cada material envolvido na aplicação. Essas propriedades incluem composição, dureza, tenacidade, módulo de Young, tamanho de grão, composição de fase, etc. Parâmetros externos, como temperatura, pressão e umidade, também desempenham papéis importantes.

Além disso, variações aleatórias e/ou sistemáticas nos fios e nos procedimentos de soldas de revestimento resultam em produtos acabados com grandes discrepâncias no desempenho. Os custos ambientais devido ao uso excessivo de Cromo (Cr) altamente poluente também são uma grande preocupação, bem como os regulamentos ambientais cada vez mais rigorosos que pressionam por consumíveis de soldagem mais enxutos.

O objetivo deste projeto era pegar um consumível de soldagem à base de ferro fundido com alto teor de Cr e otimizar o custo/benefício em função da composição química, com base em métodos padrão resistentes à abrasão como uma métrica de desempenho, usando o kit de ferramentas de aprendizado de máquina Alchemite™.

Solução

O Alchemite™ Engine é a ferramenta exclusiva de aprendizado profundo da Intellegens, que usa o poder das redes neurais profundas para construir modelos abrangentes em várias composições e propriedades de materiais a partir de dados experimentais esparsos. O modelo para materiais de revestimento foi construído com dados de composição e propriedades físicas da literatura, bem como dados históricos do WAG. A perda de peso foi usada como uma medida de resistência ao desgaste.

Metodologia

Etapa 1: Construção do modelo e projeto preliminar do material
O Alchemite™ definiu os parâmetros mais influentes no desempenho e sugeriu a primeira rodada de composições teóricas. Os engenheiros do WAG confirmaram e aprovaram a fabricação.
Etapa 2: Validação
As formulações foram fabricadas, testadas e validadas em relação aos valores previstos, mostrando concordância aceitável e caindo dentro da incerteza calculada.
Etapa 3: Refinamento
Iterações adicionais foram realizadas permitindo que o modelo fosse refinado.
Etapa 4: Conclusão do trabalho de modelagem e laboratório
Uma nova formulação foi definida. Os testes de laboratório mostraram desempenho comparável aos produtos existentes, mas com uma redução de elementos de liga de até 50% e redução de preço entre 10% e 15%.

O Alchemite™ propôs um consumível de revestimento aprimorado com vantagens drásticas de custo/benefício do ponto de vista de desempenho e ambiental

Principais resultados

• As previsões do Alchemite foram validadas experimentalmente. As composições selecionadas para validação diferiram consideravelmente dos materiais existentes. Os dados sobre esses novos materiais melhoraram significativamente o modelo.
• A Alchemite™ conseguiu propor uma alternativa aprimorada, mais econômica e mais ecológica ao material de revestimento atualmente utilizado.
• A WAG avançou com este material e agora está realizando testes de desempenho em escala industrial.

“Jean-Marie Bonnel (Diretor Técnico) e Mario Cordero (Gerente de Inovação, P&D), líderes do projeto na WAG, concordam que: “A combinação de extenso know-how técnico e dados experimentais fornecidos pela WAG, e os algoritmos exclusivos de deep learning fornecidos pela Intellegens, resultaram em um material aprimorado com vantagens drásticas de custo/benefício.”

Oportunidades futuras
Este resultado representa um avanço significativo para o Welding Alloys Group. Demonstrou uma abordagem bem-sucedida para usar métodos computacionais de última geração para o aprimoramento de consumveis de soldagem existentes e o design de novos consumveis de soldagem. Esta abordagem está a ser continuada para outras gamas de consumveis de soldagem.

Sobre o Welding Alloys Group
O Welding Alloys Group é o fornecedor de referência para consumveis de soldagem avançados, equipamentos automatizados para proteção contra desgaste e soluções de engenharia de desgaste. O Welding Alloys Group está comprometido em formar relacionamentos estreitos com os clientes e estabeleceu inúmeras parcerias industriais como um fornecedor de soluções totais – de consumveis e máquinas a soluções de engenharia integradas.

Sobre a Intellegens
A Intellegens desenvolveu um mecanismo de inteligência artificial exclusivo, o Alchemite™, para treinar redes neurais a partir de dados esparsos e ruidosos, típicos de dados do mundo real. O Alchemite™ é a plataforma de deep learning para otimização de materiais e processos para:

• Otimizar formulações para desempenho, custo ou impacto ambiental
• Orientar experimentos, reduzindo em até 80% o número de testes necessários
• Validar e identificar outliers e dados interessantes

O Alchemite™ pode ser licenciado como um produto SaaS para cientistas, engenheiros e técnicos, ou para uso independente por equipes de análise de dados do cliente.

Referências
[1] Consumo global de energia devido ao atrito e desgaste na indústria de mineração. Tribologia
Internacional. Volume 115, novembro de 2017, páginas 116-139