Determinación de los parámetros constitutivos de la Plastilina Roma No.1

El presente proyecto pretende determinar los parámetros del modelo constitutivo de Johnson Cook que describe el comportamiento mecánico de la plastilina Roma No.1 mediante el uso de simulaciones computacionales y siguiendo un algoritmo de redes neuronales para una prueba de caída gravitacional. Para...

Full description

Autores:
España Pachón, Jhoan Daniel
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/55484
Acceso en línea:
http://hdl.handle.net/1992/55484
Palabra clave:
Plastilina Roma
Propiedades mecánicas
Simulaciones computacionales
Redes neuronales
Caída gravitacional
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
Description
Summary:El presente proyecto pretende determinar los parámetros del modelo constitutivo de Johnson Cook que describe el comportamiento mecánico de la plastilina Roma No.1 mediante el uso de simulaciones computacionales y siguiendo un algoritmo de redes neuronales para una prueba de caída gravitacional. Para ello, se utiliza un conjunto de herramientas virtuales para lograrlo, entre las cuales se encuentran: Ansys Workbench en su módulo de Explicit Dynamics; Excel; Matlab; y Visual Studio Code mediante el lenguaje de programación Python. El proceso consiste en 5 pasos: El primero consiste en desarrollar un modelo de caída libre funcional en Ansys. El segundo, consiste en generar mediante Latin Hypercube los 4 parámetros de Johnson Cook "A", "B", "C" y "n" para los 2000 modelos que alimentaran la red neuronal. El tercer paso evalúa los puntos de diseño en el programa Ansys Workbench, para ello, se cargó la base al sistema del programa y se evaluó cada punto de manera manual. El cuarto paso, consiste en convertir los resultados y los parámetros respectivos de cada modelo a archivos de texto mediante el programa Matlab. Esto con el fin de ordenar los datos y facilitar la lectura por el código de programación en Python. Finalmente, se realizó en Python un diseño de red neuronal mediante el uso de la librería de Tensorflow. Para el modelo se utilizó una esfera de 63.5 [mm] de 1043 [g] a una altura de caída de 2.0 [m]. Se realizaron un total de 2000 simulaciones para alimentar la red neuronal. El diseño final está compuesto por 1 capa de entrada, 2 capas ocultas y 1 capa de salida. Cada una de estas capas se compuso de 128 neuronas, exceptuando la última, la cual, se compuso de 4 neuronas. Todas las capas usaron una capa de activación ¿linear¿, obteniendo como resultado un MAPE del 10% con un entrenamiento de 200 ciclos. Al predecir los parámetros experimentales obtenidos en laboratorio contra los estimados por la red neuronal se obtuvo un error promedio porcentual máximo del 6%.