El alumno Julen Mendicute San Martin obtuvo la calificación SOBRESALIENTE con mención ‘CUM LAUDE’

Atrás

El alumno Julen Mendicute San Martin obtuvo la calificación SOBRESALIENTE con mención ‘CUM LAUDE’

TESIS

El alumno Julen Mendicute San Martin obtuvo la calificación SOBRESALIENTE con mención ‘CUM LAUDE’

12·07·2022

$titulo.getData()


Título de tesis: Predicción del comportamiento a impacto de materiales compuestos fabricados mediante Resin Transfer Moulding aplicando Gemelos Digitales basados en Machine Learning.

Tribunal:

  • Presidencia: Carlos Daniel González Martínez (Universidad Politécnica de Madrid)
  • Vocalía: Isabel Harismendy Ramírez de Arellano (Tecnalia Research and Innovation)
  • Vocalía: Juan Antonio García Manrique (Universitat Politècnica de València)
  • Vocalía: Germán Castillo López (Universidad de Málaga)
  • Secretaría: Laurentzi Aretxabaleta Ramos (Mondragon Unibertsitatea)

Resumen:

Los polímeros reforzados con fibra de carbono (CFRP) han demostrado ser eficaces para el aligeramiento estructural, ya que combinan una baja densidad con buenas propiedades mecánicas, sobre todo en términos de resistencia y rigidez específica. Resin Transfer Moulding (RTM) es un proceso efectivo en la fabricación de piezas estructurales de altas prestaciones, geométricamente complejas y con costes de proceso bajos. No obstante, la robustez del proceso RTM sigue siendo un reto, ya que las incertidumbres del material y del proceso afectan negativamente en la impregnación, generando porosidad y zonas secas. Para corregir estos defectos se debe dar un cambio de paradigma, ya que el propio sistema de producción tiene que convertirse en "experto" en ciencia de los materiales y en tecnología de proceso. El sistema de fabricación debe considerar los defectos de impregnación y reconocer los riesgos en el rendimiento mecánico final. Es decir, se debería construir un Gemelo Digital (DT) del proceso y recrearlo con precisión. Para ello, el enfoque de modelización continua de Proceso-Estructura-Propiedades-Rendimiento (PSPP) resulta ser clave. El objetivo de esta tesis, es la generación de conocimiento científico-tecnológicas de los gemelos digitales del proceso RTM siguiendo el enfoque PSPP.

Primero, se ha realizado un estudio experimental basado en el enfoque PSPP donde se ha estudiado el efecto de los parámetros de proceso en la generación de porosidad (Proceso-Estructura), y su efecto en las propiedades a impacto (Estructura-Propiedades). Se han ensayado laminados biaxiales (0/90) de NCF-Epoxy con diferentes contenidos de porosidad (0,58%, 1,35%, 2,44% y 4,34%) por el método de impacto por caída de dardo. Las muestras de alto contenido en porosidad (4,34%) han registrado una reducción del 25,88% en la fuerza máxima, y del 9,57% en la energía disipada en comparación con las muestras de bajo contenido en porosidad (0.58%).

Después, se ha desarrollado un modelo de diagnóstico de calidad de impregnación basado en Machine Learning (ML). Este modelo, se ha alimentado con la información del proceso para predecir la estructura generada (Proceso-Estructura). Entre los diferentes modelos predictivos estudiados, Extreme Gradient Boosting y Light Gradient Boosting Machine han sido los modelos más precisos, con una precisión del 84,9% y 83,35%, respectivamente. Además, un escalado del modelo ML ha permitido localizar las zonas donde se generó el defecto. Comparando el tiempo computacional del ML frente al modelo FEM y se ha observado una reducción de 360 s a 1 s. Así pues, los modelos predictivos de calidad basados en aprendizaje supervisado son lo suficientemente rápidos y precisos como para integrarse en el proceso y alimentar el gemelo digital del proceso.

Por último, se ha desarrollado un modelo subrogado basado en ML-FEM, que conociendo la localización y la posición del defecto es capaz de predecir la reducción de propiedades mecánicas (Estructura-Propiedades), y el comportamiento a impacto de las piezas (Propiedades-Rendimiento). El modelo ha permitido realizar predicciones para (i) la clasificación de calidad basada en el desplazamiento máximo, (ii) la predicción numérica (regresión) del desplazamiento máximo, y (iii) la regresión multi-salida para obtener las curvas de impacto (F(t), E(t) y U(t)). Los resultados obtenidos han mostrado una precisión del 95,85% en la clasificación y un R2 de 0,86 en la regresión. Una vez entrenado el modelo subrogado, es capaz de realizar predicciones en menos de 5 segundos, a diferencia del modelo FEM que necesita unos 60 minutos.

Combinando ambos, el modelo de diagnóstico de la calidad de la impregnación (Proceso-structura) y el modelo predictivo del comportamiento a impacto (Estructura-Propiedades-Rendimiento), es posible generar un DT. Ambos modelos son suficientemente rápidos para integrar en el proceso de RTM y permiten la validación mecánica en línea considerando los defectos del proceso.