Diseño Inverso Generativo Guiado por Física de Microestructuras Térmicamente Anisótropas mediante GANs Condicionales...

Área de la Ciencia:

• Ciencia de Materiales
• Ciencia Computacional
• Ingeniería

Sus antecedentes:

• Los problemas de diseño inverso en la ciencia de materiales son complejos debido a las relaciones no lineales entre la estructura y las propiedades.
• Los modelos generativos actuales basados en datos para el diseño de microestructuras enfrentan desafíos para mantener la coherencia física y la escalabilidad.

Objetivo del estudio:

• Desarrollar un marco de diseño inverso generativo guiado por física para crear microestructuras con propiedades físicas específicas.
• Abordar las limitaciones de los métodos actuales para garantizar la coherencia física y la aplicación práctica.

Principales métodos:

• Combinación del método de elementos finitos (FEM) con una red generativa adversarial (GAN) de Wasserstein condicional.
• Aplicación de leyes físicas a través de la generación de datos basada en FEM y la simulación de re-cierre FEM.
• Utilización de FEniCS, una plataforma FEM de código abierto en Python, para la ejecución paralela automatizada y escalable.

Principales resultados:

• Microestructuras generadas con conductividades térmicas direccionales prescritas, logrando errores relativos típicamente inferiores al 5-10%.
• Demostró la capacidad del marco para preservar las características geométricas clave sin restricciones explícitas.
• Aplicado con éxito al diseño inverso de microestructuras térmicamente anisótropas con poros elípticos paralelos.

Conclusiones:

• La modelización generativa guiada por física ofrece un enfoque práctico y flexible para el diseño inverso de microestructuras.
• El marco une eficazmente los métodos basados en datos con las leyes físicas para problemas de ingeniería complejos.
• Las simulaciones FEM validadas confirman la precisión y fiabilidad de las microestructuras generadas.