Metodología de modelado de eslabones flexibles mediante análisis numérico Cosserat y redes neuronales artificiales

Contenido principal del artículo

Mario Acevedo
https://orcid.org/0000-0002-1433-8147
Alejandro Rodriguez-Sánchez
https://orcid.org/0000-0003-3397-5261
Oscar Altuzarra
https://orcid.org/0000-0001-7145-4833
Victor Petuya
https://orcid.org/0000-0002-4120-3838

Resumen

Los mecanismos paralelos continuos son eslabonamientos de cadena cerrada cuyo movimiento es posible gracias a sus elementos flexibles y esbeltos. En comparación con los manipuladores paralelos basados en eslabones rígidos, su análisis cinemático requiere de un modelado más complejo debido a las grandes deformaciones y al equilibrio fuerza-par que requieren.
En el caso de los mecanismos paralelos continuos en el plano, la investigación sobre su comportamiento cinemático completo es escasa, principalmente debido a la dificultad de obtener las soluciones posibles al problema de posiciones. En este artículo se retoman los resultados obtenidos previamente con un método basado en integrales elípticas para resolver los problemas de posición cinemática tanto directa como inversa. Estos resultados se comparan ahora con la aplicación de un método dinámico basado en barras de Cosserat que permite la solución del problema directo, cuyos resultados son usados por un algoritmo de inteligencia artificial basado en redes neuronales para extrapolar la solución al problema inverso. Se presenta como caso de análisis y estudio un ejemplo representativo base para la discusión en la comparación y la aplicación práctica de los métodos empleados.

Detalles del artículo

Cómo citar
Acevedo, M., Rodriguez-Sánchez, A., Altuzarra, O., & Petuya, V. (2025). Metodología de modelado de eslabones flexibles mediante análisis numérico Cosserat y redes neuronales artificiales. Anales De Ingeniería Mecánica, 1(24). https://doi.org/10.63450/aim.1.70.2025
Sección
Artículos

Citas

Gazzola, M., Dudte, L. H., McCormick, A. G., Calvo-Irisarri J., Mahadevan, L., “Forward and inverse problems in the mechanics of soft filaments”, Royal Society Open Science 5(6), 171628 (2018).

Aggarwal, C. C., Neural Networks and Deep Learning, Springer, New York (2018)

Nature Reviews Physics, “The rise of data-driven modelling”, Nature Reviews Physics, 3(6), pp. 383, Jun. (2021).

Tekinalp, A., Kim, S. H., Bhosale, Y., Parthasarathy, T., Naughton, N., Albazroun, A., Joon, R., Cui, S., Nasiriziba, I., St¨olzle, M., Shih, C.-H., Gazzola, M., GazzolaLab/PyElastica: v0.3.2, Zenodo, Version v0.3.2, (2024).

Abadi, M., Agarwal, A., Barham, P. et al., “TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems”, Software available from tensorflow.org, 2015.

Diez Sánchez, M., Campa Gómez, F. J., Diaz-Caneja Iglesias, D., & Altuzarra Maestre, Ó., “Diseño, fabricación y validación de un robot paralelo ultraflexible de 3 grados de libertad para operaciones de Pick&Place”, Revista Iberoamericana de Ingeniería Mecánica 25(2), 3-11 (2021).

Altuzarra, O., Urizar, M., Cichella, M., Petuya, V. “Kinematic Analysis of three degrees of freedom planar parallel continuum mechanisms”, Mechanism and Machine Theory 185, 105311 (2023).

Altuzarra, O., Urizar, M., Bilbao, K., Hernández, A. “Full Forward Kinematics of Lower-Mobility Planar Parallel Continuum Robots”, Mathematics 12(22), 3562 (2024).