Optimización de la configuración de materiales compuestos laminados mediante redes neuronales y templado simulado
DOI:
https://doi.org/10.20983/culcyt.2024.3.2.6Palabras clave:
materiales compuestos, redes neuronales artificiales, optimización, templado simulado, función objetivoResumen
La optimización de materiales compuestos laminados es uno de los principales desafíos en el diseño de componentes o sistemas estructurales debido a la influencia de múltiples parámetros en su desempeño y respuesta mecánica ante la deformación. Esta investigación utiliza un metamodelo basado en redes neuronales artificiales para predecir índices de desempeño, específicamente el índice de falla de Tsai-Wu, a partir de la configuración del laminado de un material compuesto sujeto a cargas considerando espesores y orientaciones de sus fibras. El metamodelo alimenta una función objetivo diseñada para mejorar la configuración de una pieza mediante la optimización de las orientaciones de las fibras. Se combina un algoritmo de templado simulado adaptado para materiales compuestos laminados con redes neuronales, generando un espacio de soluciones que ofrece al diseñador una amplia gama de opciones para abordar el análisis del problema. El método reportado es una alternativa eficiente al método tradicional de análisis de materiales compuestos laminados, agilizando el proceso y ampliando las posibilidades de configuración disponibles para su selección.
Descargas
Citas
P. K. Mallick, Fiber-Reinforced Composites: Materials, Manufacturing, and Design, 3.ª ed. Boca Raton: CRC Press, 2007.
T. W. Clyne y D. Hull, An Introduction to Composite Materials, 3.ª ed. Cambridge: Cambridge University Press, 2019. doi: 10.1017/9781139050586.
P. Beardmore y C. F. Johnson, “The potential for composites in structural automotive applications”, Compos Sci Technol, vol. 26, n.º 4, pp. 251-281, 1986, doi: 10.1016/0266-3538(86)90002-3.
O. Bas, E. Ates y F. Ozturk, “Thermoplastic Composite Materials for the Aerospace Industry”, RDMS, vol. 15, n.º 5, 2021, doi: 10.31031/rdms.2021.15.000872.
J. Zhang, G. Lin, U. Vaidya y H. Wang, “Past, present and future prospective of global carbon fibre composite developments and applications”, Compos B Eng, vol. 250, p. 110463, 2023, doi: 10.1016/j.compositesb.2022.110463.
I. A. Hassan, H. S. Ramadan, M. A. Saleh y D. Hissel, “Hydrogen storage technologies for stationary and mobile applications: Review, analysis and perspectives”, Renew. Sustain. Energy Rev., vol. 149, art. 111311, oct. 2021, doi: 10.1016/j.rser.2021.111311.
C. Jenkins y S. Khanna, Mechanics of materials: a modern integration of mechanics and materials in structural design, 1.ª ed. Academic Press, 2005.
S. W. Tsai y E. M. Wu, “A General Theory of Strength for Anisotropic Materials”, J Compos Mater, vol. 5, n.º 1, pp. 58-80, 1971, doi: 10.1177/002199837100500106.
E. J. Hearn, “Strain energy”, en Mechanics of Materials 1: An Introduction to the Mechanics of Elastic and Plastic Deformation of Solids and Structural, 3.ª ed., E. J. Hearn, ed. Oxford: Butterworth-Heinemann, 1997, cap. 11, pp. 254-296. doi: 10.1016/B978-075063265-2/50012-8.
H. Ghiasi, K. Fayazbakhsh, D. Pasini y L. Lessard, “Optimum stacking sequence design of composite materials Part II: Variable stiffness design”, Compos. Struct., vol. 93, n.º 1. pp. 1-13, dic. 2010, doi: 10.1016/j.compstruct.2010.06.001.
H. Ghiasi, D. Pasini y L. Lessard, “Optimum stacking sequence design of composite materials Part I: Constant stiffness design”, Compos. Struct., vol. 90, n.º 1, pp. 1-11, sept. 2009, doi: 10.1016/j.compstruct.2009.01.006.
S. Setoodeh, M. M. Abdalla y Z. Gürdal, “Design of variable–stiffness laminates using lamination parameters”, Compos B Eng, vol. 37, n.º 4, pp. 301-309, 2006, doi: 10.1016/j.compositesb.2005.12.001.
R. T. L. Ferreira, I. A. Ashcroft, S. Li y P. Zhuo, “Optimisation of Fibre-Paths in Composites Produced by Additive Manufacturing”, en EngOpt 2018 Proceedings of the 6th International Conference on Engineering Optimization, Springer International Publishing, 2019, pp. 1083-1094, doi: 10.1007/978-3-319-97773-7_94.
G. X. Gu, C. T. Chen y M. J. Buehler, “De novo composite design based on machine learning algorithm”, Extreme Mech Lett, vol. 18, pp. 19-28, en. 2018, doi: 10.1016/j.eml.2017.10.001.
C.-T. Chen y G. X. Gu, “Machine learning for composite materials”, MRS Commun, vol. 9, n.º 2, pp. 556-566, jun. 2019, doi: 10.1557/mrc.2019.32.
G. X. Gu, C.-T. Chen, D. J. Richmond y M. J. Buehler, “Bioinspired hierarchical composite design using machine learning: Simulation, additive manufacturing, and experiment”, Mater Horiz, vol. 5, n.º 5, pp. 939-945, sept. 2018, doi: 10.1039/c8mh00653a.
C.-T. Chen y G. X. Gu, “Generative Deep Neural Networks for Inverse Materials Design Using Backpropagation and Active Learning”, Adv. Sci., vol. 7, n.º 5, mar. 2020, doi: 10.1002/advs.201902607.
J. Chen, L. Wan, Y. Ismail, J. Ye y D. Yang, “A micromechanics and machine learning coupled approach for failure prediction of unidirectional CFRP composites under triaxial loading: A preliminary study”, Compos Struct, vol. 267, art. 113876, jul. 2021, doi: 10.1016/j.compstruct.2021.113876.
Z. Liao, C. Qiu, J. Yang, J. Yang y L. Yang, “Accelerating the Layup Sequences Design of Composite Laminates via Theory-Guided Machine Learning Models”, Polymers, vol. 14, n.º 15, ag. 2022, doi: 10.3390/polym14153229.
E. Ledesma-Orozco, J. C. Galvis-Chacón y A. E. Rodríguez-Sánchez, “Neural networks modeling of strain energy density and Tsai-Wu index in laminated composites”, J Compos Mater, vol. 58, n.º 10, feb. 2024, doi: 10.1177/00219983241235856.
J. N. Reddy, Mechanics of Laminated Composite Plates and Shells: Theory and Analysis, 2.ª ed. Boca Raton: CRC Press, 2003, doi: 10.1201/b12409.
J. Leon-Becerra, O. A. González-Estrada y H. Sánchez-Acevedo, “Comparison of Models to Predict Mechanical Properties of FR-AM Composites and a Fractographical Study”, Polymers, vol. 14, n.º 17, sept. 2022, doi: 10.3390/polym14173546.
J. León-Becerra, M. Á. Hidalgo-Salazar y O. A. González-Estrada, “Progressive damage analysis of carbon fiber-reinforced additive manufacturing composites”, Int J Adv Manuf Technol, vol. 126, n.º 5, pp. 2617-2631, 2023, doi: 10.1007/s00170-023-11256-w.
E. J. Barbero, Finite element analysis of composite materials using ANSYS, 2.ª ed. Boca Raton: CRC Press, 2013, doi: 10.1201/b16295.
S. Zhang, “On the accuracy of Reissner-Mindlin plate model for stress boundary conditions”, Mathematical Modelling and Numerical Analysis, vol. 40, n.º 2, 2006, doi: 10.1051/m2an:2006014.
C. C. Aggarwal, Neural Networks and Deep Learning. Springer International Publishing, 2018, doi: 10.1007/978-3-319-94463-0.
A. E. Rodríguez-Sánchez y H. Plascencia-Mora, “Modeling hysteresis in expanded polystyrene foams under compressive loads using feed-forward neural networks”, J. Cell. Plast., vol. 59, n.º 4, may. 2023, doi: 10.1177/0021955X231174362.
M. Abadi et al., “TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems”, arXiv, art. arXiv.1603.04467, mar. 2016, doi: 10.48550/arXiv.1603.04467.
V. A. Alcántar, “Optimización de recipientes a presión del Tipo III y IV”, tesis doctoral, Universidad de Guanajuato, Salamanca, Guanajuato, 2015.
N. S. Nise, Control Systems Engineering, 6.ª ed. Hoboken, NJ: John Wiley & Sons, 2011.
D. T. Pham y D. Karaboga, Intelligent Optimisation Techniques, 1.ª ed. Londres: Springer London, 2000.
S. Kirkpatrick, C. D. Gelatt y M. P. Vecchi, “Optimization by Simulated Annealing”, Science, vol. 220, n.º 4598, pp. 671-680, may. 1983, doi: 10.1126/science.220.4598.671.
N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller y E. Teller, “Equation of State Calculations by Fast Computing Machines”, J Chem Phys, vol. 21, n.º 6, pp. 1087-1092, jun. 1953, doi: 10.1063/1.1699114.
P. J. M. Laarhoven y E. H. L. Aarts, Simulated annealing: theory and applications. EUA: Kluwer Academic Publishers, 1987.
S. Ledesma, G. Aviña y R. Sanchez, “Practical Considerations for Simulated Annealing Implementation”, en Simulated Annealing, C. M. Tan, ed. Rijeka: IntechOpen, 2008, cap. 20, doi: 10.5772/5560.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Julio César Galvis Chacón, Alejandro E. Rodríguez-Sánchez, Elías Rigoberto Ledesma Orozco
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Todos los contenidos de CULCYT se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento-No Comercial 4.0 Internacional” (CC-BY-NC). Puede consultar desde aquí la versión informativa de la licencia.
Los autores/as que soliciten publicar en esta revista, aceptan los términos siguientes: a) los/las autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra; y b) se permite y recomienda a los/las autores/as agregar enlaces de sus artículos en CULCYT en la página web de su institución o en la personal, debido a que ello puede generar intercambios interesantes y aumentar las citas de su obra publicada.
