Redes Neuronales Convolucionales para la Estimación de Propiedades Equivalentes de Ensayos de Tracción Uniaxial a...

Área de la Ciencia:

• Ciencia de Materiales
• Ingeniería Mecánica
• Inteligencia Computacional

Sus antecedentes:

• El Ensayo de Punzonado Pequeño (SPT) es una técnica valiosa para evaluar las propiedades mecánicas de los materiales estructurales utilizando muestras mínimas.
• Sin embargo, las mediciones SPT a menudo contienen sesgos sistemáticos, lo que lleva a estimaciones inexactas de las propiedades del Ensayo de Tracción Uniaxial (UTT).
• Existe una brecha metodológica en la traducción precisa de los datos SPT al comportamiento del material equivalente a UTT.

Objetivo del estudio:

• Investigar la eficacia de las redes neuronales en la predicción del comportamiento equivalente a UTT a partir de mediciones SPT.
• Abordar y reducir los sesgos sistemáticos inherentes asociados con el método SPT.
• Establecer un método fiable para la evaluación automatizada de las propiedades del acero estructural.

Principales métodos:

• Se creó una base de datos experimental que emparejaba datos SPT y UTT para tres aceros de caldera (10H2M, 13HMF, 15HM) en condiciones nuevas y degradadas por el servicio.
• Se entrenaron y evaluaron Redes Neuronales Convolucionales (CNN) para la predicción de curva a curva utilizando el conjunto de datos experimental.
• El estudio se centró en la capacidad de las CNN para explotar las características locales de la curva para la reducción de sesgos.

Principales resultados:

• Los modelos CNN demostraron robustez en la predicción de propiedades equivalentes a UTT a partir de datos SPT.
• Los hallazgos confirman que las CNN pueden reducir eficazmente el sesgo sistemático inherente a las mediciones SPT.
• La precisión de las estimaciones de propiedades UTT derivadas de las CNN fue comparable a las mediciones UTT convencionales.

Conclusiones:

• Las Redes Neuronales Convolucionales muestran un potencial significativo para traducir datos SPT en propiedades de materiales equivalentes a UTT.
• Este enfoque de aprendizaje profundo cierra con éxito la brecha metodológica entre las mediciones SPT y UTT.
• El estudio apoya la evaluación automatizada de aceros estructurales en servicio al proporcionar un método fiable de traducción de datos.