DESARROLLO DE ALGORITMOS E INTELIGENCIA ARTIFICIAL
AMS -
ALGORITMOS
AMS ha
formulado dos algoritmos de cálculo inverso para
determinar curvas
de material a partir de datos experimentales. El resultado de dichos
algoritmos son funciones de material que reproducen con precisión los
registros experimentales. Una descripción detallada se puede encontrar
en
AMS-publicaciones.
Nuestros algoritmos son capaces de determinar funciones
materiales, como la curva tensión deformación plástica o la
curva
de ablandamiento del modelo de fractura cohesivo, por medio de un
cálculo iterativo que transforma sucesivamente la
función material
reduciendo las diferencias entre los resultados numéricos y
datos
experimentales. El grado de aproximación obtenida con el algoritmo de
AMS es mayor que otras técnicas equivalentes. Una descripción breve de
los dos algoritmos:
- Algoritmo AMS-inverso para determinar la curva tensión deformación
plástica de un material. El
resultado es una curva de material que reproduce con precisión los
registros experimentales. Nuestros técnicos, en colaboración con el
Departamento de Ciencia de Materiales de la Universidad Politécnica de
Madrid, han desarrollado y validado este algoritmo inverso que
se
ha aplicado con éxito a diferentes geometrías como: tracción
en
anillo, compresión diametral, traccion en probeta entallada y
nanoidentación esférica.
- Algoritmo AMS-inverso para obtener la curva de ablandamiento del
hormigón.
El comportamiento en fractura del hormigón puede ser explicado a través
de la teoría de la fisura cohesiva, cuya formulación se basa en una
curva material denominada curva de ablandamiento. El algoritmo
desarrollado determina esta curva que predice el comportamiento en
rotura.
INTELIGENCIA ARTIFICIAL
La inteligencia artificial y los modelos basados en datos (data-driven models) son una de las mas potentes y prometedora de nuestras líneas de trabajo. AMS trabaja en la aplicación de las técnicas de Machine Learning y Deep Learning para
Ciencia de los materiales construyendo modelos híbridos donde aplicamos y combinamos Mecánica de Fractura con redes neuronales. Algunos de nuestros desarrollos se pueden encontrar en la siguiente lista:
- Detección automática de grietas y defectos en pavimentos de hormigón. La aplicación de redes neuronales de convolucional en la inspección automática de la superficie del hormigón para evaluar la presencia de pequeñas grietas es
una técnica atractiva para evitar la falta de objetividad de las inspecciones manuales, simplificando y reduciendo los costes de personal.
- Estudio de gradientes de propiedades mecánicas a partir de imágenes.. El análisis automático de micrográfias y superficies de rotura consituyen un elemento prometedor para evaluar las propiedades físicas de
zonas no homogéneas donde existe un gradiente de material. Una solución para evaluar con precisión la variación de las propiedades es generar una red neuronal de convolución para establecer una
correlación entre la imagen y la magnitud física. La red se entrena con imágenes homogéneas donde se conocen los valores numéricos de las propiedades y se aplican a una región de gradiente para obtener el valor real.
- Generacion de superfices de rotura virtuales con transfer learning. La aplicación de Generative Adversarial Network para generar superficies de fracturas virtuales es una novedad y prometedora
metodología para mezclar efectos mecánicos complejos. El resultado final es la visualización de la superficie virtual obtenida como suma o resta de tratamientos termomecánicos.
- Procesamiento automático de imágenes. El procesamiento automático de imágenes es un complemento esencial de las técnicas de Machine Learning y Deep Learning. La combinación de datos de
imágenes con información morfológica estándar ha conducido al desarrollo de modelos híbridos con un fuerte fundamento físico. En AMS hemos perfeccionado nuestros propios procedimientos automáticos para determinar fracción
de superficie, descriptores morfológicos o elementos críticos como por ejemplo el longitud del defecto radial crítico.
