Predição da geometria do cordão de deposição em Laser Cladding por aprendizado de máquina

Abstract

Este trabalho apresenta um sistema de aprendizado de máquina para prever a largura, a altura e a área da seção transversal do cordão depositado pela técnica a laser L- DED (Laser Directed Energy Deposition), em função dos parâmetros do processo. A principal contribuição é integrar, em um único fluxo, a extração automática da geometria a partir de imagens, a modelagem preditiva com restrições baseadas na física do processo, a quantificação da incerteza e uma ferramenta interativa de uso. O conjunto experimental reúne 36 anéis depositados sobre um eixo cilíndrico de aço AISI 1045 em rotação, com variação contínua dos parâmetros, totalizando 25.920 comandos em código G e um vídeo lateral do processo. As três dimensões foram medidas imagem por imagem por visão computacional, após corrigir uma defasagem de sincronização entre o vídeo e os comandos e adotar uma suavização temporal leve, que atenua o ruído sem destruir a variação real da geometria. Treinaram-se modelos XGBoost com restrições de monotonicidade físicas, com um Ridge polinomial como linha de base, validados anel por anel e por verificações de coerência física frente à potência e à velocidade. A avaliação prioriza o erro absoluto médio (da ordem de 0,12 mm para largura e altura), métrica diretamente interpretável na prática, em vez do coeficiente de determinação, cujos valores (entre 0,60 e 0,65) refletem a opção por preservar a variação real da geometria, sem recorrer a uma suavização agressiva que os elevaria artificialmente. A incerteza foi estimada por regressão quantílica conformalizada (CQR), alcançando cobertura empírica próxima de 80% nos dados avaliados. Por fim, uma interface gráfica reúne a predição pontual, a visualização das faixas de operação e a comparação de cenários, além de um modo de predição inversa que sugere os parâmetros mais próximos de produzir uma geometria-alvo.This work presents a machine learning system for predicting the width, height, and cross-sectional area of the bead deposited by the L-DED (Laser Directed Energy Deposition) technique from the process parameters. Its main contribution is to integrate, in a single workflow, the automatic extraction of the geometry from images, predictive modeling with physics-based constraints, uncertainty quantification, and an interactive tool. The experimental dataset comprises 36 rings deposited on a rotating AISI 1045 steel cylindrical shaft, with continuous variation of the parameters, totaling 25,920 G-code commands and a lateral video of the process. The three dimensions were measured frame by frame using computer vision, after correcting a synchronization offset between the video and the commands and adopting a light temporal smoothing that attenuates noise without destroying the real variation of the geometry. XGBoost models were trained with physics-based monotonicity constraints, with a polynomial Ridge model as a baseline, validated ring by ring and through physical-consistency checks against power and velocity. The evaluation prioritizes the mean absolute error (on the order of 0.12 mm for width and height), a metric directly interpretable in practice, over the coefficient of determination, whose values (between 0.60 and 0.65) reflect the choice to preserve the real variation of the geometry rather than relying on aggressive smoothing that would inflate them. Uncertainty was estimated by conformalized quantile regression (CQR), achieving empirical coverage near 80% on the evaluated data. Finally, a graphical interface brings together point predictions, visualization of the operating ranges, and scenario comparison, as well as an inverse prediction mode that suggests the parameters closest to producing a target geometry.