Métodos de ensayos y redes neuronales para predicciones más rápidas y más precisas

26-06-2024

En la era de la digitalización y la innovación tecnológica, combinada con los requisitos de sostenibilidad, nuestro centro tecnológico afianza su compromiso con la investigación avanzada y el desarrollo sostenible para generar conocimiento y soluciones viables.

Focalizados en esta tarea, nuestro equipo de la especialización de Transporte Sostenible de Tecnología de Polímeros, se enfoca en desentrañar las complejidades de materiales como los termoplásticos reforzados y los elastómeros termoplásticos (TPEs) analizando su comportamiento mecánico mediante sistemas de ensayos avanzados y la combinación de redes neuronales profundas o Deep Learning. Dos metodologías diferenciadas que tienen un propósito común: predecir de manera más rápida y precisa el comportamiento mecánico de los termoplásticos, y proporcionar soluciones prácticas y duraderas para la industria del transporte, asegurando un rendimiento óptimo y una vida útil prolongada de los materiales poliméricos.

Ensayos creep

En Leartiker replicamos las condiciones de uso real de estos materiales poliméricos mediante sistemas de ensayo avanzados, donde analizamos la evolución y la degradación de las propiedades termo-mecánicas. Para ello desarrollamos nuevos métodos de aceleración para acortar los tiempos de ejecución, sin perder la capacidad de predecir la vida de los materiales y productos fabricados. Un ejemplo de ello son los ensayos de creep y relajación de tensiones mediante el cual caracterizamos materiales poliméricos a efectos de largos tiempos de exposición (>10,000 horas).

Los termoplásticos reforzados y los TPEs son materiales especialmente críticos en este tipo de ensayos debido a su sensibilidad a efectos de la tensión, la temperatura o la humedad relativa del ambiente en el que se utilicen. Por ello, es indispensable la generación de datos de ensayo para su posterior uso en etapas de diseño de material y producto: curvas de creep (deformación vs. tiempo para diferentes niveles de tensión, Temperatura y humedad relativa), curvas isócronas (curvas tensión vs. deformación para diferentes tiempos, Temperaturas y humedad relativa) y curvas isométricas y de relajación de tensiones (curvas tensión vs. tiempo para diferentes niveles de deformación, Temperatura y humedad relativa).

En base a estos datos, posteriormente se pueden llevar a cabo ajustes a modelos de sentido físico de tal forma que se puedan ejecutar cálculos por elementos finitos en componentes fabricados por inyección.

En esta línea, estamos generando conocimiento mediante el desarrollo de proyectos internos y de proyectos de ámbito estatal como CRITERION, que tiene como objetivo desarrollar una nueva metodología de homologación de materiales y de piezas de plástico, que permita reducir los tiempos de ensayo actuales a términos de días y semanas de ensayo, y no a meses y años, como suele ocurrir en la industria.

Concretamente, acabamos de participar en el ZwickRoell Forum for High Temperature and Creep Testing, celebrado en Austria, donde hemos presentado unos casos de estudio realizados en Leartiker comparando los resultados obtenidos en ensayos normalizados de larga duración (>1000 horas) frente a metodologías de aceleración basadas en el principio de superposición tiempo-Temperatura. Unos resultados que muestran un elevado grado de ajuste entre ensayos normalizados y acelerados, gracias al cual se valora muy positivamente la ejecución de ensayos en tiempos considerablemente menores (8 horas de ejecución frente a 1000 horas). Estos resultados ponen en valor la utilización de esta metodología de aceleración de ensayos en fases de desarrollo de material y producto desde el punto de vista de predicción de la vida de uso, debido a la elevada reducción de los tiempos de ejecución de tests.

En la imagen un gráfico de un material de tipo Polipropileno reforzado con un 30% de fibra de vidrio corta. Comparativa de curvas de creep obtenidas a 90ºC para diferentes niveles de tensión aplicada en tiempos de ensayo de 1000 horas (líneas discontinuas, ensayos normalizados) y las curvas de creep maestras obtenidas por superposición tiempo-Temperatura para los ensayos acelerados (en líneas sólidas), que consisten en tiempos de ejecución de solamente 8 horas.

Redes neuronales

Paralelamente, investigamos en la comprensión y modelado del comportamiento mecánico de los TPEs combinando técnicas de redes neuronales profundas o Deep Learning basadas en la física y métodos de simulación tradicionales, como el método de elementos finitos, que nos permite predecir con mayor precisión y rapidez el comportamiento de materiales y piezas reales. 

Las redes neuronales son una sub-rama del Machine Learning y de la inteligencia artificial, capaces de aprender patrones complejos y extraer información relevante a partir de grandes conjuntos de datos. Sin embargo, estas redes basadas únicamente en datos requieren una gran cantidad de información y su capacidad de generalización es limitada; es decir, no se puede confiar en las predicciones cuando los datos de entrada son diferentes a los de entrenamiento, y 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 este contexto, actualmente estamos trabajando en el estudio de la aplicabilidad de diferentes modelos constitutivos hiperelásticos basados en redes neuronales informadas por la física para modelar el comportamiento hiperelástico de los TPVs. Los TPV son termoplásticos vulcanizados, un tipo de termoplásticos elástomeros (TPEs) de alto rendimiento con buenas propiedades dinámicas, que lo convierte en una alternativa más sostenible al caucho y a lo elastómeros tradicionales. Unos resultados que hemos presentado en el Congreso Europeo de Métodos Computacionales en Ciencias Aplicadas e Ingeniería (ECCOMAS).

En la imagen se puede observar los ajustes de distintos modelos constitutivos basados en redes neuronales (CANN, ICNN y NODE) y de un modelo constitutivo tradicional (Yeoh) a curvas de ensayos de tracción en diferentes modos de deformación. En las tres primeras columnas se estudia la capacidad de extrapolación de los modelos de un modo a otro (que es limitada a partir de cierto rango de deformación), mientras que en la columna de la derecha se observa que la calidad de los ajustes es mejor cuando se entrenan los modelos con todos los datos.

El modelado de comportamiento mecánico no lineal de materiales mediante redes neuronales es un campo de investigación emergente con grandes posibilidades, que permite crear modelos de material precisos y automatizar el proceso de modelado, desde la obtención de datos de los ensayos hasta la implementación de estos modelos en paquetes de elementos finitos.

En la vanguardia de la caracterización

En Leartiker investigamos en estas áreas generando conocimiento para predecir el comportamiento a largo plazo de materiales poliméricos, y para ellos nos apoyamos en 4 pilares fundamentales:

• Ejecución de ensayos normalizados para generación de fichas de material (ISO 899, ASTM D2990, …), así como para validaciones de otras metodologías (aceleradas).
• Ejecución de ensayos acelerados (superposición tiempo-Temperatura, tiempo-Tensión, ensayos de creep a rotura acelerados, …) para reducir tiempos de testeo de materiales y productos.
• Ajuste a los datos experimentales mediante modelos de sentido físico (empíricos, modelos constitutivos completos, …) y ejecución de simulaciones por elementos finitos.
• Utilización de herramientas de IA (aprendizaje automático, bases de datos, …) para la predicción digital del comportamiento a largo plazo mediante la reducción o eliminación de la necesidad de ejecutar ensayos.