A sinterização é uma das etapas do processamento de um material cerâmico, e o seu principal objetivo é a densificação desse material e consequentemente a eliminação da sua porosidade. Os mecanismos envolvidos na sinterização são importantes para alcançar as propriedades finais desejadas no material cerâmico. Na última década, os métodos que empregam o uso de um campo elétrico durante a sinterização, conhecidos como técnicas de sinterização assistida por campo elétrico, vêm sendo muito estudados. Dentre esses métodos, tem-se a sinterização flash (FS). Esse processo envolve a aplicação de um campo elétrico através de um material cerâmico, ao mesmo tempo em que é sinterizado. Como resultado, observa-se uma taxa de sinterização significativamente acelerada e uma redução no crescimento de grão desse material. Nesse contexto, o objetivo deste trabalho foi estudar o fenômeno flash durante a sinterização usando vários tempos de espera, ou seja, tempos pré-determinados em que a amostra fica sob controle de corrente enquanto ocorre o fenômeno flash, com diferentes densidades de correntes, em amostras de zircônia estabilizada com 3% em mol de ítria (3Y-TZP). As caracterizações físicas e microestruturais das amostras de 3Y-TZP foram analisadas visando avaliar os mecanismos envolvidos no processo. Com a utilização de modelos matemáticos e de regressão relacionados ao aprendizado de máquina, como a Rede Neural Artificial, Késimo Vizinho Mais Próximo, Florestas de Decisão Aleatória e Maquinas de Vetores de Suporte foram avaliadas as correlações entre valores de tempo de espera na FS e os valores de densidade de corrente, com a densidade aparente obtida experimentalmente. Os resultados obtidos mostraram que o tempo de espera durante a FS influenciou, independente da densidade de corrente usada, no aumento da densificação das amostras de 3Y-TZP. O aumento da densidade de corrente também aumentou a densificação das amostras. A análise microestrutural demonstrou significativa heterogeneidade no tamanho dos grãos nas diferentes regiões (borda, centro e próxima ao eletrodo) das amostras analisadas, principalmente quando foram utilizados maiores tempos de espera, sendo que a região do centro das amostras foi a mais afetada pela heterogeneidade no tamanho dos grãos. Quanto a modelagem matemática, foi observado que a correlação entre os tempos de espera e a densidade aparente apresentou melhor valor, em relação a correlação entre a densidade de corrente e a densidade aparente. Quanto ao uso dos modelos inteligência artificial, os modelos apresentaram resultados bem próximos, parte disso se deve ao fato de que o banco de dados e as faixas dos valores dos atributos previsores são relativamente pequenos. Isso indica que o uso de qualquer método de inteligência artificial pode obter bons resultados, desde que utilize um banco de dados maior.

Sintering is one of the steps in the processing of a ceramic material, its main objective is the material densification's and consequently, elimination of porosity. The components involved in sintering are important to achieve the desired properties in the ceramic material. In the last decade, the methods that employ the use of an electric field during sintering, known as electric field assisted sintering techniques, have been widely studied. Among these methods, there is a flash sintering (FS). This process involves the application of an electric field through a ceramic material, at the same time that it is heated. In this context, the objective of this work was to study the flash sintering using several waiting times, that is, predetermined times when the sample is under current control while the flash phenomenon occurs, with different current densities in stabilized zirconia with 3 mol% of yttria (3Y-TZP). The physical and microstructural characterizations of those of 3Y-TZP were analyzed, evaluating the technicians in the process. Using mathematical and regression models related to machine learning, such as the Artificial Neural Network, K Nearest Neighbor, Random Forests and Support Vector Machines were evaluated as correlations between waiting time values in FS and the current density values with the apparent density obtained experimentally. The results sought that the waiting time during FS influenced, regardless of the current density used, without increasing the densification of the 3Y-TZP deductions. The increase in current density also increased the densification of the samples. The microstructural analysis showed significant heterogeneity in the size of the grains in the different regions of the samples analyzed, especially when longer waiting times were used, with the region in the center of the samples being the most affected by the heterogeneity in the grain size. Using artificial intelligence models, the models presented very close results, part of this is due to the fact that the database and the ranges of the values of the predictive attributes are relatively small. This indicates that the use of any artificial intelligence method can obtain good results, as long as it uses a larger database.