Este trabalho tem como foco a metodologia de predição e análise de confiabilidade da vida em fadiga de peças forjadas de ligas de alumínio. Primeiro introduziu o alumínio peças forjadas a fadiga, os seus efeitos e reiterado a importância da fadiga prever e métodos existentes, e centra-se na fadiga baseado na tecnologia de dados e aprendizado de máquina métodos de previsão, fiabilidade analisados e para prever os resultados, concluiu o conteúdo do artigo principal e pesquisas futuras.
Como materiais estruturais importantes, as peças forjadas de liga de alumínio são amplamente utilizadas na indústria aeroespacial, transporte e energia. No entanto, em serviço, as peças forjadas de ligas de alumínio são frequentemente submetidas à ação de carregamentos cíclicos que levam à falha por fadiga. Portanto, a predição precisa da vida de fadiga das peças forjadas de liga de alumínio é importante para garantir a operação segura dos componentes e reduzir o risco de acidentes.
A falha por fadiga é um processo progressivo de destruição de materiais submetidos a carregamentos cíclicos, caracterizado principalmente pelo início e propagação de trincas até a fratura. A vida de fadiga das peças forjadas de liga de alumínio é afetada por vários fatores, como a composição do material, estrutura da microestrutura, estado de estresse, condições ambientais, etc. Portanto, para prever com precisão a vida de fadiga das peças forjadas de liga de alumínio, é necessário considerar esses fatores em conjunto.
Os métodos tradicionais de predição da vida em fadiga são baseados principalmente em formulações empíricas e dados de ensaios, tais como o método de tensão nominal, o método de tensão local deve ser variável. No entanto, esses métodos apresentam algumas limitações e são empíricos, dificultando a representação exata do comportamento do material em fadiga em condições reais de serviço. Nos últimos anos, com o desenvolvimento de técnicas computacionais e métodos de simulação numérica, métodos de previsão de vida em fadiga baseados na análise de elementos finitos têm sido progressivamente aplicados. Estes métodos são capazes de prever com maior acuracidade a vida em fadiga de peças forjadas de ligas de alumínio, através da criação de modelos de materiais finos e complexos espectros de carga.
Com o rápido desenvolvimento de big data e aprendizado de máquina, estas técnicas têm mostrado grande potencial na predição da vida em fadiga de peças forjadas em ligas de alumínio. Através da coleta de uma grande quantidade de dados de testes de fadiga e dados reais de serviço, juntamente com algoritmos de aprendizado de máquina, modelos eficientes de predição de vida em fadiga podem ser construídos. Esses modelos são capazes de aprender e extrair automaticamente as características dos dados e fornecer resultados precisos para a predição da vida à fadiga. Ao mesmo tempo, a análise baseada em big data também pode revelar os mecanismos e regularidades da falha por fadiga dos materiais, fornecendo suporte teórico mais aprofundado para a predição da vida em fadiga.
Para a predição de resultados de vida em fadiga, é fundamental a realização de análises de confiabilidade. Por meio de métodos estatísticos probabilísticos e da teoria da confiabilidade é possível avaliar a incerteza e o risco dos resultados previstos. Isso ajuda a entender o nível de confiança e confiabilidade dos resultados previstos e fornece uma base científica para a tomada de decisões. Além disso, o método de projeto baseado em confiabilidade pode melhorar ainda mais a resistência à fadiga dos forjados de liga de alumínio, garantindo sua segurança e confiabilidade durante o serviço.
Este trabalho apresenta um resumo das técnicas existentes e a aplicação de novas metodologias, abordando os métodos de predição e análise de confiabilidade da vida em fadiga de peças forjadas de ligas de alumínio. Métodos baseados em big data e em técnicas de aprendizado de máquina apresentam grande potencial e vantagens, oferecendo novas ideias para a previsão da vida em fadiga de peças forjadas em ligas de alumínio. As futuras linhas de pesquisa incluem o aprimoramento dos modelos de previsão da vida à fadiga, o aumento da precisão e confiabilidade da previsão e a expansão do uso de big data e técnicas de aprendizado de máquina no campo da ciência dos materiais. Através da pesquisa contínua e profunda e inovação tecnológica, acreditamos que podemos garantir melhor a operação segura das peças forjadas de liga de alumínio e promover o desenvolvimento e o progresso em campos relacionados.
