Título

Aplicação de modelos de aprendizado de máquina na predição de taxas de resfriamento críticas em ligas de ferro fundido branco de alto teor de cromo

Application of machine learning models in predicting critical cooling rates in high-chromium white cast iron alloys

Autoria

MANZUTTI, LUISA GARBIN; CARVALHO, FELIPE MORENO SIQUEIRA BORGES DE; DANNINGER, LEONARDO RODRIGUES; BRAGA, ANA PAOLA VILLALVA

MANZUTTI, LUISA GARBIN

Eu sou esse autor

CARVALHO, FELIPE MORENO SIQUEIRA BORGES DE

Eu sou esse autor

DANNINGER, LEONARDO RODRIGUES

Eu sou esse autor

BRAGA, ANA PAOLA VILLALVA

Eu sou esse autor

DOI

10.5151/2594-5327-43251

Downloads

Resumo

As ligas de ferro fundido branco de alto teor de cromo possuem diversas aplicações industriais. Neste estudo, ferramentas de aprendizado de máquina foram utilizadas para predizer as taxas de resfriamento críticas para a formação de martensita a partir da composição química das matrizes dessas ligas. O conjunto de dados foi composto por 83 ligas provenientes da literatura e de ensaios experimentais. Foram investigadas três abordagens: desenvolvimento de modelos supervisionados, otimização desses modelos e regressão simbólica. Entre os modelos supervisionados, o K-Nearest Neighbors apresentou a melhor performance, com um coeficiente de determinação (R²) de 0,721 e 0,589 na primeira e na segunda abordagem, respectivamente. Embora a otimização tenha promovido melhorias nos algoritmos mais complexos, a maioria dos modelos supervisionados apresentou capacidade preditiva moderada. Em contraste, a abordagem de regressão simbólica alcançou R² de 0,898 e forneceu uma equação matemática interpretável relacionando a taxa de resfriamento crítica aos teores de carbono, silício e molibdênio na matriz das ligas. Os resultados indicam que técnicas de aprendizado de máquina podem auxiliar na análise da temperabilidade de ligas de ferro fundido branco de alto teor de cromo, especialmente, quando associadas a modelos interpretáveis.

High-chromium white cast iron alloys have several industrial applications. In this study, machine learning tools were used to predict the critical cooling rates required for martensite formation based on the chemical composition of the alloys matrices. The dataset consisted of 83 alloys obtained from literature data and experimental tests. Three approaches were investigated: development of supervised models, optimization of these models, and symbolic regression. Among the supervised models, the K-Nearest Neighbors algorithm achieved the best performance, with coefficients of determination (R²) of 0.721 and 0.589 in the first and second approaches, respectively. Although the optimization process improved the performance of more complex algorithms, most supervised models showed moderate predictive capability. In contrast, the symbolic regression approach achieved an R² of 0.898 and provided an interpretable mathematical equation relating the critical cooling rate to the carbon, silicon, and molybdenum contents in the alloy matrix. The results indicate that machine learning techniques can assist in the analysis of the hardenability of high-chromium white cast iron alloys, especially when associated with interpretable models.

Palavras-chave

Aprendizado de Máquina, Temperabilidade, Ferro Fundido Branco, Informática de Materiais

Machine Learning, Hardenability, White Cast Iron, Materials Informatics