Treinamento supervisionado de inteligência artificial para a predição do comportamento mecânico de materiais metálicos

Abstract

O avanço e a disseminação da inteligência artificial possibilitou o desenvolvimento de novas metodologias capazes de interpretar e prever dados aplicáveis. Situações complexas agora podem ser validadas e previstas por meio dessa ferramenta, utilizando-a como um modelo de interpreta- ção de dados. Dessa forma, uma inteligência artificial é uma alternativa de modelo com capaci- dade de prever o comportamento mecânico linear e não linear dos materiais metálicos. Com isso, o objetivo deste trabalho é propor uma inteligência artificial com a capacidade de prever as pro- priedades mecânicas elásticas e plásticas de aços, alumínios e cobres. Aplicando uma condição de contato mecânico não conforme entre dois sólidos aliado a um modelo de análise pelo método de elemento finitos, valida-se um modelo numérico com capacidade de fornecer dados confiáveis e suficientes para construção de um banco de dados com o objetivo de promover o aprendizado supervisionado da inteligência artificial. Depois, implementa-se no trabalho uma metodologia de aprendizado profundo por meio de uma rede neural artificial, na qual é validada uma arqui- tetura sólida capaz de prever o comportamento mecânico linear e não linear de um conjunto de amostras de aços, alumínios e cobres. A validação da rede neural artificial é atingida a partir da acurácia, do erro quadrático médio e do erro absoluto médio dos resultados esperados frente às previsões realizadas. Análise geral e específica demonstram a capacidade de interpretação e previsão do algoritmo desenvolvido. Da análise geral, com as previsões apresentando um erro absoluto percentual médio de 3,6% e um coeficiente de determinação médio de 95,97%, o algo- ritmo revela resultados promissores de previsão de forma geral. Da análise específica, a avaliação das previsões via histogramas, regressão linear e distribuição normal demonstram o comporta- mento detalhado de previsão, da qual revela maior concentração de previsão apresentando baixos erros tendo a minoria com valores divergentes. Por fim, a previsão da rede neural artificial a partir de dados experimentais coletados permite analisar a capacidade e viabilidade do algoritmo desenvolvido, pontuando possíveis aprimoramentos do mesmo.