Redes neuronales basadas en la física para lograr unas predicciones más rápidas y precisas del comportamiento mecánico de los TPEs

Leartiker ha emprendido un nuevo proyecto de investigación doctoral con el propósito de avanzar en la comprensión y modelado del comportamiento mecánico de los elastómeros termoplásticos (TPEs) utilizando técnicas de Deep Learning basadas en la física. Estos materiales, que son reciclables y considerados una alternativa ecológica a los cauchos convencionales, presentan desafíos adicionales en el proceso de desarrollo y diseño de componentes.

La combinación de redes neuronales, específicamente las redes neuronales profundas o Deep Learning, y métodos de simulación tradicionales, como el método de elementos finitos, muestra un gran potencial para predecir con mayor precisión y rapidez el comportamiento de materiales y piezas reales. 

Las redes neuronales son una subrama del Machine Learning y de la inteligencia artificial, capaces de aprender patrones complejos y extraer información relevante a partir de grandes conjuntos de datos. Estas redes se entrenan utilizando algoritmos que ajustan sus parámetros para optimizar tareas específicas, como problemas de clasificación o de regresión. Estas herramientas han demostrado ser muy efectivas en una amplia gama de aplicaciones, como reconocimiento de imágenes, procesamiento de voz, procesamiento del lenguaje natural, recomendación de productos, conducción autónoma, entre otras. En el contexto de la simulación y el modelado, las redes neuronales pueden capturar relaciones no lineales entre las variables de entrada y salida, lo que las hace especialmente útiles para abordar problemas complejos.

Sin embargo, las redes neuronales basadas únicamente en datos requieren una gran cantidad de información y su capacidad de generalización es limitada; es decir, no podemos confiar en las predicciones cuando los datos de entrada son diferentes a los de entrenamiento. Además, a menudo las predicciones no respetan los principios físicos que rigen el comportamiento de los materiales. Por ello, adaptando los modelos para que respeten estos principios se reduce la cantidad de datos necesaria, se mejora la capacidad de generalización, y los modelos convergen de manera más eficiente.

En el contexto específico de la investigación del comportamiento mecánico de los elastómeros termoplásticos (TPEs), las redes neuronales basadas en la física pueden obtener modelos constitutivos más precisos que los tradicionales. Estos modelos de material aportan la información necesaria del comportamiento del material para alimentar simulaciones de elementos finitos posteriores.

En resumen, el objetivo principal de esta tesis es establecer un marco de trabajo innovador que integre el mundo de los datos con el conocimiento científico y que permita predecir de manera más rápida y precisa el comportamiento mecánico de los TPEs, con el fin de impulsar una industria más sostenible y respetuosa con el medio ambiente.

Las técnicas basadas en datos e inteligencia artificial están revolucionando todas las áreas de la ciencia y, conscientes de esta transformación, en Leartiker estamos desarrollando proyectos que utilizan estas herramientas para generar conocimiento y transferirlo a la industria.