Título

Predição e Explanabilidade do Limite de Resistência de Ligas de Alumínio via Aprendizado de Máquina e Teoria dos Jogos (SHAP)

Prediction and Explainability of Aluminum Alloys Tensile Strength via Machine Learning and Game Theory (SHAP)

Autoria

DANNINGER, LEONARDO RODRIGUES; MANZUTTI, LUÍSA GARBIN; BARBOSA, GABRIEL GOUVEIA; BRAGA, ANA PAOLA VILLALVA; VEIGA, ROBERTO GOMES DE AGUIAR

DANNINGER, LEONARDO RODRIGUES

Eu sou esse autor

MANZUTTI, LUÍSA GARBIN

Eu sou esse autor

BARBOSA, GABRIEL GOUVEIA

Eu sou esse autor

BRAGA, ANA PAOLA VILLALVA

Eu sou esse autor

VEIGA, ROBERTO GOMES DE AGUIAR

Eu sou esse autor

DOI

10.5151/2594-5327-43061

Downloads

Resumo

Este trabalho tem como objetivo avaliar o desempenho de algoritmos de aprendizado de máquina na previsão do limite de resistência à tração de ligas de alumínio, integrando inteligência artificial e metalurgia física. A metodologia baseou-se na utilização de um dataset de ligas de alumínio abrangendo 25 elementos químicos e diversas condições de processamento. Após o pré-processamento, cinco algoritmos foram testados com otimização de hiperparâmetros via framework Optuna. O algoritmo de Gradient Boosting, como implementado na biblioteca XGBoost, apresentou o melhor desempenho e a explanabilidade dos resultados foi obtida através da técnica SHAP, permitindo quantificar a influência de cada variável nas predições. Os resultados demonstraram que o modelo capturou fenômenos metalúrgicos consolidados. Este estudo demonstrou que a integração entre modelos de alta performance e ferramentas de interpretabilidade constitui uma metodologia robusta para acelerar o desenvolvimento e a seleção de materiais metálicos, garantindo conformidade com os fundamentos da ciência dos materiais.

This study aims to evaluate the performance of machine learning algorithms in predicting the ultimate tensile strength of aluminum alloys by integrating artificial intelligence and physical metallurgy. The methodology utilized an aluminum alloy dataset covering 25 chemical elements and various processing conditions. Following pre-processing, five algorithms were tested with hyperparameter optimization via the Optuna framework. The Gradiente boosting algorithm as implemented in XGBoost showed the best performance, and model explainability was achieved through the SHAP technique, quantifying each variable's influence on predictions. Results demonstrated that the model captured established metallurgical phenomena. This study demonstrates that integrating high-performance models with interpretability tools constitutes a robust methodology to accelerate the development and selection of metallic materials, ensuring consistency with materials science fundamentals.

Palavras-chave

Ligas de Alumínio, Aprendizado de Máquina, SHAP, Informática de Materiais

Aluminum Alloys, Machine Learning, SHAP, Materials Informatics