Caracterización de daños sub-superficiales en materiales compuestos de fibra de carbono epoxi mediante redes neuronales

El presente estudio propone un modelo de inteligencia artificial supervisado para la caracterización de daños sub-superficiales de tipo delaminación en materiales compuestos laminados de fibra de carbono epoxi. A partir de datos sintéticos que simulan mediciones bidimensionales de delaminaciones tip...

Full description

Autores:
Blanco Córdoba, Gleidys Margoth
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/64714
Acceso en línea:
http://hdl.handle.net/1992/64714
Palabra clave:
Material compuesto de matriz polimérica
Fibra de carbono epoxi
Caracterización delaminación
Redes neuronales
Ingeniería
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
Description
Summary:El presente estudio propone un modelo de inteligencia artificial supervisado para la caracterización de daños sub-superficiales de tipo delaminación en materiales compuestos laminados de fibra de carbono epoxi. A partir de datos sintéticos que simulan mediciones bidimensionales de delaminaciones tipo strip en el material T700/LTM-45EL, se modela y entrena una red neuronal para la estimación de los parámetros del daño estructural en estudio. Con este método se pretende contribuir al efectivo diagnóstico de defectos mecánicos sub-superficiales producidos por impacto en materiales compuestos de alto rendimiento que se encuentren en servicio. De esta manera se complementan las mediciones avanzadas no-destructivas con la aplicación de alta tecnología de software en el procesamiento de los resultados experimentales para estimar de manera aceptable la extensión, posición y profundidad del daño interno, así como la presión interna en la medición, en pro de la toma de decisiones con base en información en la definición de la estrategia de intervención más conveniente para la reparación del componente afectado. Así, con la aplicación de las redes neuronales entrenadas, disponiendo de datos de 512 pixeles de deflexión bidimensional de una lámina del material compuesto de interés, es posible estimar con precisión de aproximadamente 98% el ancho de la delaminación, 99% la posición del su punto medio, 92% su profundidad y 68% la presión interna en la delaminación generada por vacío.