Gráfico $e/y_c$ Vs. $y/y_c$

O que é esse gráfico e quando ele aparece na prática

Esse gráfico costuma aparecer em artigos de metalurgia física e ciência dos materiais quando alguém tenta colapsar dados de diferentes ligas ou condições de processamento em uma única curva mestra. O eixo vertical leva uma grandeza qualquer — energia, deformação, tensão, módulo — dividida por um valor de referência $y_c$, enquanto o horizontal traz outra variável normalizada pelo mesmo parâmetro crítico. A ideia básica é eliminar a dependência absoluta das unidades e ver se existe um comportamento universal por trás dos dados brutos. A normalização serve para comparar resultados de amostras que tiveram tamanhos de grão, frações volumétricas ou níveis de encruamento diferentes. Quando você divide tudo por $y_c$, os pontos tendem a se alinhar mais do que no gráfico original. Eu já vi gente plotar resistência mecânica versus tamanho de grão sem normalizar e não conseguir distinguir se o scattering vinha do material ou da metodologia. Com a forma adequada do gráfico $e/y_c$ vs. $y/y_c$, o ruído experimental cai bastante e a curva de ajuste fica muito mais estável. O parâmetro $y_c$ precisa ser escolhido com critério. Na minha experiência, ele costuma ser o valor crítico de alguma grandeza que marca uma transição de regime — tamanho de grão crítico no Hall-Petch, strain crítico para nucleação de trincas, fração volumétrica crítica para percolação. Se $y_c$ for arbitrário demais, a linearização não funciona e o gráfico vira apenas um embelezamento numérico que não prediz nada.

Como construir o gráfico passo a passo

O procedimento que eu sigo é mais ou menos esse aqui, dependendo do que você tem em mãos: Primeiro, reúna os dados brutos. Para cada condição experimental — temperatura, taxa de deformação, tratamento térmico — anote os valores de $y$ e da grandeza $e$ que você quer analisar. É importante manter a consistência de unidades e registrar a incerteza de cada medição, porque a normalização não corrige erro sistemático. Depois, determine $y_c$. Esse é o passo que mais gera discussiones em revisão de artigo. Você pode obter $y_c$ de: (a) um limiar físico conhecido da literatura, (b) um ponto de inflexão na sua própria curva, (c) um ajuste prévio com modelo teórico, ou (d) uma média ponderada dos valores de transição observados. Eu costumo usar método (b) quando o dado experimental mostra uma mudança clara de inclinação, senão recorro a (c). O que eu recomendo fortemente é não usar o valor médio aritmético como $y_c$ só porque é fácil — isso distorce a normalização e pode inverter a interpretação física.

Calcule as razões. Para cada ponto, compute $y/y_c$ e $e/y_c$. Se $e$ também tiver unidade própria diferente de $y_c$, aí na verdade o eixo vertical é uma razão adimensional entre duas grandezas de naturezas distintas, o que exige cuidado na interpretação. Nesse caso, o gráfico $e/y_c$ vs. $y/y_c$ mostra proporcionalidade relativa, não equivalência dimensional direta. Plote e ajuste. Use escala linear inicialmente. Se os pontos seguirem uma lei de potência, transforme ambos os eixos para logaritmo e ajuste por mínimos quadrados. O coeficiente de determinação $R^2$ sozinho não diz nada — olhe o resíduo distribuído aleatoriamente ao redor da reta, senão você pode estar ajustando ruído.

Interpretação e armadilhas comuns

O erro mais frequente que eu vejo é tratar a linearização como prova de mecanismo físico. O gráfico pode ficar bonito numericamente e o mecanismo proposto estar errado. Sempre confronte com dados microestruturais independentes — EBSD, micrografia, difração — para confirmar que a transição em $y_c$ corresponde a algo real no material. Outro problema prático é quando $y/y_c$ se aproxima de zero. A normalização amplifica ruído nessa região e pontos com $y$ muito baixo tendem a dominar o ajuste se você não pesar corretamente. Eu resolvi isso na prática atribuindo peso inversamente proporcional à variância estimada de cada medição, em vez de tratamento igual para todos os pontos. Também é comum esquecê-lo de reportar o intervalo de confiança de $y_c$. Como $y_c$ é estimado com incerteza, a normalização carrega essa incerteza para todos os pontos. Uma forma simples de quantificar é calcular o gráfico $e/y_c$ vs. $y/y_c$ usando $y_c \pm \Delta y_c$ e visualizar a faixa resultante como banda de incerteza no gráfico final. Isso evita dar aparência de precisão que os dados não sustentam.

Exemplo concreto

Num projeto recente com ligas de alumínio tratadas termomecanicamente, eu precisava comparar a evolução da dureza Vickers com o tamanho de grão em três lotes diferentes. O tratamento térmico produziu faixas de tamanho de grão que iam de 12 µm a 85 µm, e a dureza variava de 78 HV a 142 HV. Os dados brutos mostravam dispersão grande porque cada lote tinha também variação na fração de precipitados. Escolhi $y_c$ como o tamanho de grão médio do lote de referência, que era 38 µm. Plotei $HV/HV_c$ contra $d/d_c$. A curva colapsou bem para $d/d_c > 0,5$, mas abaixo desse valor os pontos desviaram sistematicamente para cima. Ajustei uma lei de potência na região colapsada e obtive expoente próximo de -0,42, compatível com endurecimento por solução sólida sobreposto ao efeito Hall-Petch. Abaixo de $d/d_c \approx 0,5$, o desvio indicava que precipitados finos estavam contribuindo de forma não linear — o que eu confirmei com análise de TEM nos grãos mais refinados. O workaround prático foi separar o ajuste em dois regimes e tratar a transição como um limite de validade do modelo, não como erro experimental. Assim, o gráfico permaneceu útil para projetar parâmetros de processo dentro da faixa calibrada e eu deixei claro no relatório que previsões para $d/d_c

0,5$ exigem modelo diferente.

Limitações reais

Esse tipo de gráfico não funciona bem quando $y_c$ não representa uma transição física real, quando há mais de um mecanismo competindo na mesma faixa de $y$, ou quando os dados têm viés sistemático não removido. Nessas condições, a normalização apenas mascara a complexidade em vez de revelá-la. Se o seu caso se encaixa nisso, considere dividir a análise por regime ou usar métodos multivariados em vez de tentar forçar um colapso de curva único. Para quem quiser reproduzir o procedimento, o código que eu uso é basicamente Python com numpy e matplotlib. A parte do ajuste com pesos e da banda de incerteza leva cerca de 15 minutos para rodar em um dataset típico de 40-60 pontos. Se você tiver dados de várias ligas, o tempo sobe para uns 40 minutos, o que ainda é muito mais rápido do que ajustar cada curva individualmente manualmente.