Iragarpen azkarrago eta zehatzagoetarako saiakuntza-metodoak eta sare neuronalak

2024-06-26

Digitalizazioaren eta berrikuntza teknologikoaren aroan, iraunkortasunaren eskakizunekin batera, gure zentro teknologikoak ikerketa aurreratuarekin eta garapen iraunkorrarekin duen konpromisoa sendotzen du, ezagutza eta irtenbide bideragarriak sortzeko.

Zeregin horretan ardaztuta, Polimeroen Teknologiako Garraio Jasangarriko espezializazio-taldeak materialen konplexutasunak argitzea du helburu, hala nola termoplastiko indartuak eta elastomero termoplastikoak (TPE), eta horien portaera mekanikoa aztertzen du saiakuntza aurreratuen sistemen bidez eta neurona-sare sakonak edo Deep Learning sareak konbinatuz. Bi metodologia ezberdin, baina helburu bera: TPEen portaera mekanikoa azkarrago eta zehatzago aurreikustea, eta garraioaren industriarako irtenbide praktiko eta iraunkorrak ematea, material polimerikoen errendimendu optimoa eta bizitza erabilgarri luzea ziurtatuz.

Creep saiakuntzak

Leartikerren material polimeriko horien benetako erabilera-baldintzak erreplikatzen ditugu saiakuntza-sistema aurreratuen bidez, propietate termomekanikoen bilakaera eta degradazioa aztertuz. Horretarako, azelerazio-metodo berriak garatzen ditugu gauzatze-denborak laburtzeko, fabrikatutako materialen eta produktuen bizitza iragartzeko gaitasuna galdu gabe. Horren adibide dira creep saiakuntzak eta tentsioak erlaxatzeko saiakuntzak; horien bidez, material polimerikoak ezaugarritzen ditugu esposizio-denbora luzeetarako (>10.000 ordu).

Termoplastiko indartuak eta TPEak bereziki kritikoak dira saiakuntza mota horietan, erabiltzen diren inguruneko tentsioaren, tenperaturaren edo hezetasun erlatiboaren eraginekiko sentikorrak direlako. Horregatik, ezinbestekoa da saiakuntza-datuak sortzea, ondoren materiala eta produktua diseinatzeko etapetan erabiltzeko: kreep-kurbak (deformazioa vs. tentsio-, tenperatura eta hezetasun erlatibo-maila desberdinetarako denbora), kurba isokronoak (tentsio-kurbak vs. denbora, tenperatura eta hezetasun erlatibo desberdinetarako deformazioa) eta kurba isometrikoak eta tentsioak erlaxatzeko kurbak (tentsio-kurbak vs. deformazio-, tenperatura- eta hezetasun erlatibo-maila desberdinetarako denbora).

Datu horietan oinarrituta, ondoren doikuntzak egin daitezke eredu fisikoetan, elementu finituen bidezko kalkuluak egin ahal izango baitira injekzioz fabrikatutako osagaietan.

Ildo horretan, ezagutza sortzen ari gara, barne-proiektuak eta estatu-mailako proiektuak garatuz, hala nola CRITERION. Egitasmo honen helburua materialak eta plastikozko piezak homologatzeko metodologia berri bat garatzea da, egungo saiakuntza-denborak egun eta asteetara murriztuz, eta industrian erabili ohi diren hilabete eta urteetako saiakuntzak ordezkatzeko.

Hain zuzen ere, Austrian ospatu den ZwickRoell Forum for High Temperature and Creep Testing foroan parte hartu berri dugu. Bertan, Leartikerren egindako ikerketa kasu batzuk aurkeztu ditugu, iraupen luzeko (>1000 ordu) saiakuntza normalizatuetan lortutako emaitzak, denbora eta tenperatura gainezartzearen printzipioan oinarritutako azelerazio metodologiekin alderatuz. Emaitza horiek erakusten dute doikuntza-maila handia dagoela saiakuntza normalizatuen eta azeleratuen artean, eta, horri esker, oso positiboki baloratzen da saiakuntzak denbora askoz laburragoetan egitea (8 orduko exekuzioa 1.000 ordukoaren aldean). Emaitza horiek balioa ematen diote materiala eta produktua garatzeko faseetan saiakuntzak bizkortzeko metodologia horri, erabilera-bizitzaren iragarpenaren ikuspegitik, testak egiteko denbora asko murriztu daitekelako.

Irudian, polipropileno motako material baten grafikoa, % 30ean beira motzeko zuntzarekin indartua. 90 ºC-tan lortutako kreep-kurben konparazioa, 1000 orduko saiakuntza-denboretan aplikatutako tentsio-maila desberdinetarako (lerro etenak, saiakuntza normalizatuak) eta denbora-tenperatura gainezartzearen bidez lortutako kreep-kurba nagusiak saiakuntza azeleratuetarako (lerro solidoetan), bakarrik 8 orduko exekuzio-denboran lortuak.

Sare neuronalak

Aldi berean, TPEen portaera mekanikoa ulertzen eta modelatzen ikertzen dugu, fisikan oinarritutako sare neuronal sakonen (Deep Learning) eta simulazio-metodo tradizionalen teknikak konbinatuz, hala nola elementu finituen metodoa. Honen bitartez, materialen eta pieza errealen portaera zehaztasun eta azkartasun handiagoz aurreikustea ahalbidetzen digun.

Sare neuronalak Machine Learning eta adimen artifizialaren azpiatal bat dira, eredu konplexuak ikasteko eta datu multzo handietatik informazio garrantzitsua ateratzeko gai direnak. Hala ere, datuetan soilik oinarritutako sare neuronalek informazio asko behar dute, eta haien orokortze-gaitasuna mugatua da; hau da, ezin da fidatu iragarpenekin sarrera-datuak eta entrenamendu-datuak desberdinak direnean, eta askotan iragarpenek ez dituzte errespetatzen materialen portaera arautzen duten printzipio fisikoak. Horregatik, ereduak printzipio horiek errespetatzeko egokituz, behar den datu-kopurua murrizten da, orokortzeko gaitasuna hobetzen da, eta ereduak modu eraginkorragoan bateratzen dira.

Testuinguru horretan, gaur egun, fisikak informatutako sare neuronaletan oinarritutako eredu hiperelastikoen aplikagarritasuna aztertzen ari gara, TPVen portaera hiperelastikoa modelatzeko. TPVak termoplastiko bulkanizatuak dira, errendimendu handiko termoplastiko elastikoen (TPE) mota bat, propietate dinamiko onak dituztenak, eta, kautxuaren eta elastomero tradizionalentzako alternatiba jasangarriagoa bihurtzen duena. Emaitza horiek ECCOMAS, Zientzia Aplikatuetako eta Ingeniaritzako Metodo Konputazionalen Europako Kongresuan aurkeztu ditugu.

Irudian, sare neuronaletan (CANN, ICNN eta NODE) eta eredu eratzaile tradizional batean (Yeoh) oinarritutako eredu eratzaileen doikuntzak ikus daitezke, deformazio-modu desberdinetako trakzio-saiakuntzen kurbetan. Lehenengo hiru zutabeetan ereduak modu batera eta bestera estrapolatzeko gaitasuna aztertzen da (deformazio-tarte batetik aurrera mugatua egiten da); eskuineko zutabean, berriz, doikuntzen kalitatea hobea dela ikusten da ereduak datu guztiekin trebatzen direnean.

Sare neuronalen bidezko materialen portaera mekaniko ez-linealaren modelaketa aukera handiak dituen ikerketa-eremu bat da. Material-eredu zehatzak sortzea eta modelatze-prozesua automatizatzea ahalbidetzen du, saiakuntzen datuak lortzetik hasi eta eredu horiek elementu finituen paketeetan inplementatzeraino.

Karakterizazioaren abangoardian

Leartikerren material polimerikoen epe luzerako portaera aurreikusteko ikertzen eta ezagutza sortzen dihardugu arlo hauetan, horretarako funtsezko lau zutabe hauetan oinarritzen garelarik:

• Material-fitxak sortzeko (ISO 899, ASTM D2990) eta beste metodologia batzuk (azeleratuak) baliozkotzeko saiakuntza normalizatuak egitea.
• Saiakuntza azeleratuak egitea (denbora-Tenperatura gainezartzea, denbora-Tentsioa, hausturen kreep-saiakuntza azeleratuak, …), materialak eta produktuak probatzeko denborak murrizteko.
• Datu esperimentaletara doitzea, eredu fisikoen bidez (enpirikoak, eredu eratzaile osoak,…) eta elementu finituen bidezko simulazioak egitea.
• AAko tresnak (ikaskuntza automatikoa, datu-baseak, …) erabiltzea epe luzerako portaeraren iragarpen digitala egiteko, saiakuntzak egiteko beharra murriztuz edo ezabatuz.