Estimación de las constantes elásticas en láminas unidireccionales a través de imágenes microestructurales y machine learning

Resumen

Este estudio presenta el desarrollo y entrenamiento de una red neuronal convolucional combinada con un perceptrón multicapa diseñada para la estimación de las constantes elásticas de una lámina unidireccional a partir de imágenes microestructurales del plano transversal 2-3. Las predicciones se centran en el módulo de elasticidad transversal E₂ y el módulo de cizalladura G₂₃, considerando el caso de deformación plana. Estas propiedades son de particular interés, ya que dependen directamente de la geometría y de la distribución del refuerzo, que en la práctica presenta una disposición aleatoria. Aunque existen modelos efectivos para configuraciones estructuradas, como la ordenación cuadrada, su precisión disminuye cuando se aplican a problemas reales, en los que la distribución es aleatoria.
Para el entrenamiento de la red neuronal se ha utilizado una base de datos sintéticos generada a través del método de elementos finitos basado en homogenización utilizando condiciones de contorno periódicas. Se han considerado elementos de volumen representativo con diferente fracción en volumen, diámetro de fibras y una distribución de fibras aleatoria. La base de datos incluye imágenes microestructurales y las propiedades elásticas de los constituyentes, que sirven como entrada para la red. Las constantes elásticas de la lámina obtenidas de la solución del problema de homogenización se emplean como salida de la red. Finalmente, se discuten las ventajas y limitaciones del enfoque propuesto, así como posibles mejoras y aplicaciones futuras en la caracterización de materiales compuestos.
En resumen, esta herramienta representa un avance en la caracterización rápida y precisa de materiales compuestos, utilizando modelos de machine learning que analizan directamente imágenes microestructurales, con un impacto significativo en la reducción de tiempos de simulación y coste computacional.