La correlació entre els resultats de l'assaig d'impacte Charpy obtinguts amb provetes de mida reduïda i provetes de mida completa és un repte crític en l'enginyeria de materials, especialment al sector nuclear. Quan l'espai o la quantitat de material disponible són limitats, com passa en la vigilància de reactors o en assaigs d'irradiació accelerada, només es poden utilitzar provetes més petites. No obstant això, els mètodes analítics tradicionals, basats en normes com ASTM A370 o BS 7910, ofereixen una precisió limitada i la seva validesa sol restringir-se a materials, tractaments i geometries molt concrets. En aquest context, l'aprenentatge automàtic (machine learning, ML) emergeix com una alternativa potent per establir correlacions fiables sense necessitat de recórrer constantment a assaigs amb provetes de mida completa.
Un estudi recent ha proposat un marc basat en ML que permet mapejar els valors d'energia absorbida de provetes subdimensionades a la resposta completa al llarg de tota la regió de transició dúctil-fràgil. La tècnica aplica un desplaçament de temperatura juntament amb una projecció de residus escalats per alinear les dades de les provetes petites amb la corba característica de les provetes estàndard. A partir d'aquest perfil temperatura-energia, s'extreuen dos paràmetres fonamentals: l'energia del prestatge superior (USE) i la temperatura de transició dúctil-fràgil (DBTT), ajustant les dades amb un model de tangent hiperbòlica. La validació del mètode es va realitzar amb 389 parells d'assaigs (subdimensionats i complets) sobre acer SA533B, obtenint coeficients de determinació R² de 0,942 per a USE i 0,892 per a DBTT. Aquests resultats superen clarament els mètodes analítics convencionals i, el que és més rellevant, els models ML entrenats no requereixen accés a dades de provetes completes durant la inferència, cosa que els fa especialment adequats per a programes de vigilància de materials i assaigs amb volum de mostra limitat.
Des d'una perspectiva tècnica i empresarial, la implementació d'aquest tipus de solucions exigeix combinar coneixements de ciència de materials, estadística avançada i desenvolupament de programari robust. No es tracta només d'entrenar un model, sinó d'integrar-lo en un flux de treball que permeti capturar, processar i analitzar les dades de forma automatitzada i segura. Aquí és on empreses com Q2BSTUDIO, especialitzada en aplicacions a mida, aporten un valor diferencial. El desenvolupament de plataformes personalitzades que gestionin des de l'adquisició de dades d'assaigs fins a la visualització de resultats i la integració amb sistemes de laboratori és fonamental perquè la correlació ML sigui realment útil en entorns industrials i nuclears.
L'ecosistema tecnològic que envolta aquest tipus de projectes requereix a més un suport sòlid al núvol. Els volums de dades generats per les campanyes d'assaigs, juntament amb la necessitat d'escalar els models de ML i oferir accés remot als resultats, fan que els serveis al núvol en AWS i Azure siguin una opció gairebé obligada. Q2BSTUDIO ofereix solucions d'arquitectura al núvol que garanteixen l'emmagatzematge segur, la computació elàstica i la disponibilitat global de les aplicacions. A més, la incorporació d'intel·ligència artificial i agents intel·ligents permet automatitzar l'ajust de models, la detecció d'anomalies en les corbes Charpy o fins i tot la recomanació d'assaigs addicionals basats en prediccions.
La ciberseguretat és un altre pilar irrenunciable quan es gestionen dades crítiques de qualificació de materials nuclears. Les plataformes de correlació ML han de complir amb estrictes requisits d'integritat, confidencialitat i traçabilitat. Q2BSTUDIO integra mecanismes de ciberseguretat i proves de penetració en totes les seves fases de desenvolupament, assegurant que tant les dades com els models romanguin protegits davant d'accessos no autoritzats o manipulacions.
Finalment, la intel·ligència de negoci (BI) a través d'eines com Power BI permet transformar els resultats de les correlacions ML en quadres de comandament interactius que donin suport a la presa de decisions en temps real. Els enginyers i gestors de programes nuclears poden visualitzar l'evolució de les propietats del material, comparar diferents campanyes d'assaigs i generar informes automàtics. La combinació de ML, núvol, ciberseguretat i BI, tot orquestrat mitjançant aplicacions a mida, converteix la correlació d'impacte Charpy en un procés fiable, escalable i adaptat a les necessitats reals de la indústria.
En definitiva, l'enfocament basat en machine learning per correlacionar assaigs Charpy entre provetes petites i estàndard representa un avenç significatiu que, recolzat en una estratègia tecnològica integral, pot implantar-se amb èxit en entorns nuclears i altres sectors on la integritat estructural és crítica. Empreses com Q2BSTUDIO estan preparades per acompanyar els laboratoris i organismes reguladors en la digitalització d'aquests processos, oferint des del desenvolupament de programari a mida fins a la implantació d'agents d'IA que optimitzin contínuament les prediccions.
