Simulación estructural de espumas de aluminio a partir de imágenes 2D mediante la combinación de técnicas de homogeneización y machine learning

• Autores: Borja Ferrandiz, Manuel Tur Valiente, Enrique Nadal
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 17, Nº. 2, 2018 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 223-240
• Idioma: español
• Títulos paralelos:
  • Structural simulation of 2D aluminium foam images by the use of homogenization and machine learning techniques
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En la industria actual, el uso de materiales resistentes, rígidos, de bajo peso y con buenas propiedades tanto acústicas como térmicas es de gran interés. Entre estos materiales encontramos las espumas de aluminio. Para su uso, es necesario conocer su comportamiento estructural. Para la obtención de la geometría de una espuma de aluminio se pueden plantear diversas técnicas, todas ellas basadas en que la información inicial proviene de una imagen obtenida mediante una Tomografía Axial Computarizada (TAC). Una posible metodología, conocida comúnmente como segmentación, consiste en generar un CAD a partir de la imagen y de ahí el modelo de Elementos Finitos (EF). Otra opción es usar técnicas como el CellFEM o el cgFEM, donde cierta cantidad de píxeles, que definen las propiedades del material, son embebidos en cada elemento. De entre los diversos métodos que existen para evaluar la matriz de propiedades del material, en este trabajo se propone el uso de técnicas de homogeneización aceleradas mediante técnicas de machine learning. Dicha técnica se ha aplicado a problemas reales obteniendo un elevado speed up sin sacrificar la precisión.

  • English

    The use of resistant, rigid, low-weight materials with good both acoustic and thermal properties is very interesting in today’s industry. Among these materials, one can find aluminium foams, whose mechanical behaviour is necessary for their application. In order to obtain the geometry of an aluminium foam, several techniques can be applied, and all of them are based in the fact that information is initially obtained by a Computed Axial Tomography (CAT). One of these techniques, known as segmentation, involves a CAD being generated from an image in order to build the Finite Element (FE) model. Another option is to use techniques such as CutFEM or cgFEM, in which a certain amount of pixels, which define the properties of the material, are embedded in each element. Among the existing methods for evaluating the material properties matrix, this study proposes the use of homogenization techniques, sped up by the use of machine learning techniques. This method has been applied to real problems obtaining a high speed up, conserving precision.