A3Shell – Análise e Aprendizagem Automática para Manufatura Aditiva de Estruturas Estanques

O objetivo do projeto consiste na investigação de métodos de fabrico aditivo metálico de estruturas estanques para o setor aeroespacial, que permitam ultrapassar os desafios associados à necessidade de suportes interiores e a pontos de união de massas, que ocorrem no método de fabrico aditivo por experimentação. Este projeto focar-se-á no desenvolvimento de um modelo computacional de parâmetros do processo SLM para geometrias complexas que ultrapasse esses desafios. Através da combinação de uma base de dados robusta com algoritmos de Machine Learning (ML), o modelo computacional permitirá a divisão da peça em regiões específicas, onde cada uma será analisada e receberá parâmetros de fabrico ajustados de acordo com as suas características geométricas e funcionais. O projeto terá impacto ao nível de: - Aumento da Produtividade: A otimização dos parâmetros de fabrico permite reduzir o tempo de produção e o número de peças defeituosas. - Redução de Custos: A redução dos desperdícios e a necessidade de menos iterações permitirão uma significativa diminuição dos custos. - Aumento da Competitividade: Uma ferramenta baseada em ML, permitirá à empresa competir de forma mais eficaz num mercado exigente e tecnológico, mantendo elevados padrões de fabrico a um custo reduzido. O sistema contribuirá para a redução dos custos de pré e pós-processamento da empresa, otimizando diretamente a eficiência e qualidade das peças produzidas com o processo SLM. Com uma abordagem mais precisa e adaptada às necessidades específicas de cada peça, espera-se aumentar a consistência e qualidade dos produtos. CONTINUAÇÃO DO CRITÉRIO C2 DA PÁG 5 - Divergências significativas entre os outputs do modelo computacional e os resultados experimentais - Revisões regulares do modelo computacional e feedback contínuo das caracterizações experimentais; Realização de simulações prévias baseadas em exemplos/dados da literatura; Análise de desvios para ajustar e parametrizar o algoritmo de forma iterativa; - Estruturas ocas com elevada complexidade geométrica e sem suportes internos pode levar a falhas mecânicas ou defeitos durante a construção - Utilização de abordagens híbridas que considerem geometrias com suportes minimalistas em caso de inviabilidade técnica; iteração constante com o modelo computacional para prever e corrigir potenciais falhas; - Resultados inconsistentes entre diferentes lotes de produção ou ensaios - Garantir calibração dos equipamentos de produção e caracterização; Definir protocolo para controlo de qualidade rigoroso referente à produção e caracterização de provetes; - Dificuldades na medição precisa das propriedades de estanquidade em geometrias complexas - Realizar ensaios complementares com caracterização não destrutiva (ex.: ultrassons ou tomografia).