Identificación de mecanismos de fallo en piezas fabricadas mediante impresión 3d utilizando emisión acústica e inteligencia artificial.

• Byron Barriga-Machado ^[1] ; Álvaro Hernández-Casamayor ^[1] ; Diego Infante-García ^[1] ; Eugenio Giner
  1. [1] Universidad Politécnica de Valencia

     Universidad Politécnica de Valencia

     Valencia, España

     
• Localización: Revista española de mecánica de la fractura, ISSN-e 2792-4246, Nº. 8, 2024, págs. 175-180
• Idioma: español
• Enlaces
  • Texto Completo Ejemplar
• Resumen
  • español

    El presente trabajo se centra en el desarrollo de herramientas de identificación de mecanismos de fallo en piezas fabricadas mediante impresión 3D, utilizando las emisiones acústicas y los modelos de inteligencia artificial no supervisados. Para ello, se fabricaron y ensayaron probetas con distintas direcciones de impresión para aislar los diferentes mecanismos de fallo. Características como la frecuencia pico ponderada, frecuencia centroide y potencias parciales fueron extraídas utilizando la transformada rápida de Fourier. Se llevó a cabo una comparación entre los modelos k-means y agrupamiento espacial basado en densidad de aplicaciones con ruido. Como resultado se obtuvieron dos agrupaciones, una de baja frecuencia relativa hasta 260 kHz y otra de alta frecuencia entre 270 y 390 kHz. Mediante la inspección visual de las superficies de fractura se establecieron correlaciones entre estas agrupaciones obtenidas por los algoritmos de clasificación y los mecanismos de fallo. Se evidenció una correspondencia entre las señales de baja frecuencia relativa y la rotura de filamentos mientras que las señales de alta frecuencia se asociaron con la descohesión entre filamentos. Sin embargo, se observó una combinación de mecanismos de fallo dentro de cada configuración, produciendo dificultades para verificar la precisión de las herramientas de clasificación desarrolladas en este trabajo.

  • English

    The present work focuses on developing tools for identifying failure mechanisms in 3D-printed parts using acoustic emissions and unsupervised artificial intelligence models. Specimens with different printing directions were manufactured and tested to isolate failure mechanisms. The fast Fourier transform enabled the extraction of features such as peak frequency, centroid frequency, and partial powers. Two clustering models, k-means and density-based spatial clustering of applications with noise, were compared. As a result, two clusters were obtained: one with relative low frequencies up to 260 kHz and another with high frequencies between 270 and 390 kHz. Correlations between these clusters and failure mechanisms were established through visual inspection of fracture surfaces. A correspondence between relative low-frequency signals and filament rupture was determined, while high-frequency signals were associated with filament debonding. However, there were instances where a combination of failure mechanisms occurred within each configuration, making it difficult to verify the accuracy of the classification tools developed in this study.