Video Experimental Relacionado
Updated: Sep 10, 2025
Author Spotlight: Enhancing Fiber Composite Laminate Quality with the Wet Hand Lay-Up/Vacuum Bag Process
Published on: June 30, 2023
Desarrollo de una herramienta basada en redes neuronales artificiales para predecir fallas en estructuras laminadas
Milica Milic Jankovic1, Jelena Svorcan1, Ivana Atanasovska2
1Faculty of Mechanical Engineering, University of Belgrade, 11120 Belgrade, Serbia.
Este estudio introduce una red neuronal artificial de inspiración biológica (ANN) para predecir el rendimiento de los materiales compuestos, reduciendo significativamente el tiempo computacional en comparación con el Análisis de Elementos Finitos (FEA) tradicional. El modelo ANN ofrece evaluaciones estructurales rápidas y precisas para aplicaciones compuestas.
Área de la Ciencia:
- Ciencias de los materiales
- Ingeniería mecánica
- Ciencias computacionales
Sus antecedentes:
- Los materiales compuestos ofrecen altas relaciones de resistencia al peso y flexibilidad de diseño, cruciales para las industrias aeroespacial y automotriz.
- La naturaleza anisotrópica y en capas de los compuestos complica el análisis estructural y la predicción de fallas, que a menudo requieren métodos computacionalmente intensivos como el Análisis de Elementos Finitos (FEA).
Objetivo del estudio:
- Desarrollar un enfoque de aprendizaje automático inspirado en la biología para acelerar el análisis estructural y la predicción de fallos en materiales compuestos.
- Para reducir la dependencia de FEA computacionalmente caro mediante la utilización de un modelo de red neuronal artificial (ANN).
Principales métodos:
- Se desarrolló un modelo de red neuronal artificial (RNA) para predecir los parámetros estructurales clave (espesor, peso, tensión, desplazamiento, deformación, criterios de fallo).
- El modelo ANN utiliza la secuencia de apilamiento y la geometría como entradas para un caso de carga dado.
- La metodología se validó utilizando un haz compuesto específico, comparando las predicciones de ANN con los resultados de FEA.
Principales resultados:
- El modelo ANN obtuvo desviaciones de predicción inferiores al 15% en comparación con los resultados de la FEA.
- El modelo ANN redujo drásticamente el tiempo de predicción de horas/días (FEA) a segundos.
- El enfoque desarrollado demuestra un ahorro de tiempo computacional significativo al tiempo que mantiene la precisión de la predicción.
Conclusiones:
- El enfoque de aprendizaje automático de inspiración biológica ofrece una alternativa viable a la FEA tradicional para la evaluación estructural rápida de materiales compuestos.
- La metodología muestra potencial para aplicaciones más amplias, incluido el mantenimiento de aeronaves, para mejorar la toma de decisiones y la fiabilidad estructural.
- El perfeccionamiento del modelo ANN basado en la lógica podría dar lugar a aplicaciones más avanzadas en la evaluación de la integridad estructural.
