Pesquisadores da Clemson University, nos Estados Unidos, apresentaram um modelo de aprendizado de máquina capaz de estimar a condutividade térmica de materiais a partir de termografia infravermelha em questão de milissegundos. O estudo, publicado em 17 de fevereiro de 2026 na revista ACS Applied Materials & Interfaces, demonstra uma rota rápida, sem contato físico, para avaliação de polymer-composite thermal interface materials (PC-TIMs).
Como funciona
A equipe combinou experimentos de termografia controlada, simulações multiphysics (COMSOL) e aprendizado de máquina interpretável. Mais de 200 termogramas foram transformados em campos de temperatura estruturados; desses campos, extraíram-se descritores como gradientes térmicos, variância laplaciana e pontos de temperatura extrema. Esses parâmetros alimentaram um modelo de regressão Random Forest otimizado por validação cruzada.
Para reduzir a diferença entre dados simulados e medições reais – o chamado domain shift –, os cientistas adicionaram ruído gaussiano aos campos térmicos durante o treinamento. O ajuste híbrido elevou a capacidade de transferência do algoritmo dos cenários simulados para os experimentais.
Desempenho e interpretação
Nos testes independentes, o modelo alcançou coeficiente de determinação (R²) de 0,90 e erro absoluto médio dentro dos limites práticos para polímeros de baixa e média condutividade. Análises SHAP (SHapley Additive exPlanations) confirmaram que gradientes de temperatura e características relacionadas à densidade são os principais fatores de previsão, indicando que o sistema aprende fenômenos físicos reais, não correlações aleatórias.
Aplicações industriais
Por usar imagens infravermelhas rápidas e sem contato, a técnica pode ser integrada a linhas de produção para inspeção em tempo real de módulos de bateria, placas de circuito impresso e montagens de eletrônica de potência. Segundo os autores, cada imagem é processada em poucos milissegundos, viabilizando triagem contínua de materiais térmicos.
Imagem: Internet
“Nosso objetivo foi substituir cálculos complexos de transferência de calor por um método que aprende diretamente dos campos de temperatura”, afirmou o professor Ramakrishna Podila, líder do projeto. Já o estudante de doutorado Shinto M. Francis destacou que os resultados reforçam a aderência do modelo à intuição física.
O trabalho sinaliza um caminho escalável para metrologia térmica rápida, potencialmente acelerando a certificação de materiais usados em sistemas de energia e eletrônicos de próxima geração.
Com informações de Nanowerk
