Resumen de Metodología para el ajuste de leyes de daño en modelos de elementos finitos a través del uso de redes neuronales y metamodelos

F. de la Roza, M. Martín, Javier Gracia Rodríguez, Miguel Muñiz Calvente, Adrián Álvarez Vázquez

• español

  Las variables más comúnmente obtenidas en los ensayos experimentales de caracterización de materiales son: la fuerza y el desplazamiento en los actuadores. Amén de otras medidas experimentales que puedan ser registradas (ej.: apertura en los labios de una grieta (CMOD), deformaciones locales mediante técnicas de correlación de imágenes, etc.), la fuerza y el desplazamiento en los actuadores son las variables que deben ser utilizadas para validar los resultados obtenidos en los modelos numéricos destinados a reproducir el comportamiento del material bajo las condiciones de ensayo. Sin embargo, cuando nos enfrentamos a la modelización numérica del daño observado experimentalmente, existen multitud de parámetros que tienen un papel relevante en la relación fuerza-desplazamiento, por lo que la superposición de los resultados numérico y experimental sobre una misma gráfica no es trivial. En este trabajo, se presenta una metodología basada en el uso de redes neuronales para obtener los parámetros de daño óptimos de un material, garantizando que las diferencias entre las curvas fuerza-desplazamiento numéricas y experimentales se minimicen. Utilizando redes neuronales en el ajuste, no es necesario disponer de conocimientos previos relacionados con los valores que podrían adquirir los parámetros de daño, permitiendo a usuarios inexpertos ajustar leyes de daño fácilmente.

• English

  The most commonly obtained variables in material characterization campaigns are the force and displacement values found at the actuators. Regardless of other experimental measurements which can be registered (e.g., crack mouth opening (CMOD), local deformations through image correlation techniques, etc…), force and displacement at the actuators are the variables which must be used to validate the results obtained through the numerical modelling of the material´s behaviour under test conditions. However, when facing the numerical modelling of experimentally observed damage, many parameters have a significant impact on the force-displacement relation. For this reason, the superposition of numerical and experimental data on the same graph is not a trivial matter. In this article, a methodology based on the use of neural networks is presented, to obtain the optimum damage parameters of a material. This guarantees that the differences between the numerical and experimental force-displacement curves are minimised. By using neural networks, previous knowledge related to the damage parameter values is no longer needed, allowing non-expert users the opportunity to easily develop a correct damage law.