LAGRANGE - Análise Tribólogica Utilizando Inteligência Artificial

• Processo: 24/01785-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de junho de 2024
• Data de Término da vigência: 31 de maio de 2026
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Proposta de Mobilidade: SPRINT - Projetos de pesquisa - Mobilidade
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Pesquisador Responsável no exterior: Christian Greiner
• Instituição Parceira no exterior: Karlsruhe Institute of Technology (KIT) , Alemanha
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Município da Instituição Sede: Bauru
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional Tribologia
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Tribologia | Aprendizado de Máquina

Resumo

Tribologia diz respeito à uma área de pesquisa que estuda o processo de fricção entre componentes mecânicos. Dado que a fricção demanda mais energia, explorar o comportamento dos elementos durante o seu processo de interação é crucial para minimizar perdas. Muito embora tenham sido utilizadas nas mais diversas áreas, técnicas de aprendizado de máquina também têm sido consideradas para lidar com estudos em tribologia. Entretanto, a grande maioria das abordagens possui algum contato físico com os materiais envolvidas visando a capturas informações de fricção, o que pode interferir e degradar a área de interesse. Nesta proposta, objetivamos empregar uma abordagem sem contato baseada na difração de raios-X (XRD) para a captura de imagens das áreas envolvidas e posterior análise utilizando técnicas de aprendizado de máquina, visando correlacionar dados com parâmetros tribológicos. Nós hipotetizamos que XRD e aprendizado de máquina são ferramentas poderosas para avançar em estudos sobre tribologia, obtendo correlações mais precisas do que abordagens que precisam estar em contato com a região afetada para obter suas informações. (AU)