DESENVOLVIMENTO DE PROTÓTIPO VIRTUAL DE CÂMARA DE VÁCUO COM MACHINE LEARNING

Resumo

Este trabalho teve como objetivo apresentar o processo de modelagem, desenvolvimento e validação de um protótipo virtual de câmara de vácuo capaz de incorporar incertezas experimentais características da experimentação real, visando prever com precisão o tempo necessário ao processo de bombeamento, por meio do aprendizado de máquina. Para treinar e validar o modelo Random Forest, gerou-se um conjunto sintético com 125 mil combinações dessas variáveis, agregando ruído gaussiano no tempo de bombeamento, simulando incertezas instrumentais. O desempenho foi avaliado por erro médio absoluto e coeficiente de determinação (R2), além de estimativa de incerteza, nas previsões e otimização paramétrica, para atingir tempos-alvo fisicamente viáveis. Os resultados indicaram alta precisão (R2 próximo de 1 e erro médio absoluto inferior a 0,05 s), boa capacidade de generalização e fidelidade na representação do ruído. O simulador mostrou-se promissor para apoiar o planejamento de experimentos. Como limitações, reconhece-se que o ruído foi aplicado apenas à saída do modelo, sem considerar incertezas nas variáveis de entrada, e que o modelo físico subjacente não leva em conta fenômenos como vazamentos ou regimes de fluxo não ideais, o que pode restringir sua aplicabilidade em cenários experimentais mais complexos. Ressalta-se que este trabalho configura um estudo metodológico de prova de conceito cuja validação foi realizada em ambiente controlado com dados sintéticos, estabelecendo as bases para futuras extensões com validação experimental e incorporação de cenários mais complexos.