Publicação: A aplicação de deep learning na previsão de propriedades mecânicas de materiais — revisão sistemática e aprofundada
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A aplicação de deep learning na ciência dos materiais representa uma nova fronteira
para acelerar a descoberta e a otimização de novas tecnologias. Este trabalho tem
como objetivo realizar uma revisão sistemática da literatura para mapear o estado da
arte, as metodologias, os desafios e as tendências futuras no uso de redes neurais
profundas para a previsão de propriedades mecânicas. A metodologia consistiu na
análise de 73 artigos científicos publicados entre 2017 e 2025. Os resultados indicam
um crescimento exponencial do campo a partir de 2020, com um foco predominante
na predição de propriedades como resistência à tração e fadiga. Constatou-se o
domínio das Redes Neurais Convolucionais (CNNs), impulsionado pelo uso de
imagens de microestrutura como dado de entrada, e a utilização de abordagens
híbridas que combinam dados experimentais e sintéticos para a construção dos
bancos de dados. Conclui-se que, apesar da alta acurácia preditiva dos modelos, os
principais desafios residem na sua natureza de "caixa-preta", que limita a
interpretabilidade, e na garantia de generalização para cenários reais. A tendência
futura aponta para a consolidação de técnicas de Inteligência Artificial Explicável (XAI)
e a integração desses modelos em plataformas de Projeto Inverso de Materiais,
marcando a transição de uma ciência de dados puramente preditiva para uma
abordagem prescritiva.
Abstract
The application of deep learning in materials science represents a new frontier for
accelerating the discovery and optimization of emerging technologies. This study aims
to conduct a systematic literature review to map the state of the art, methodologies,
challenges, and future trends in the use of deep neural networks for predicting
mechanical properties. The methodology involved the analysis of 73 scientific articles
published between 2017 and 2025. The results indicate an exponential growth of the
field since 2020, with a predominant focus on predicting properties such as tensile
strength and fatigue. Convolutional Neural Networks (CNNs) dominate the landscape,
driven by the use of microstructure images as input data, alongside hybrid approaches
that combine experimental and synthetic datasets for database construction. Despite
the high predictive accuracy of the models, the main challenges lie in their "black-box"
nature, which limits interpretability, and in ensuring generalization to real-world
scenarios. Future trends point to the consolidation of Explainable Artificial Intelligence
(XAI) techniques and the integration of such models into Inverse Materials Design
platforms, marking the transition from a purely predictive data-driven science to a
prescriptive approach.
Palavras-chave
Aprendizado profundo, Ciência dos materiais, Propriedades Mecânicas, Inteligência artificial, Revisão sistemática, Deep learning, Materials science, Mechanical properties, Systematic review, Artificial intelligence
Citação
SANTOS, Gustavo Almeida. A aplicação de deep learning na previsão de propriedades mecânicas de materiais — revisão sistemática e aprofundada. 2025. 83 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) – Universidade Federal de Uberlândia, Uberlândia, 2025.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto