DESARROLLO DE ALGORITMOS E INTELIGENCIA ARTIFICIAL

AMS - ALGORITMOS

AMS ha desarrollado dos algoritmos de cálculo inverso para determinar curvas de material a partir de datos experimentales. Estos algoritmos producen funciones de material que reproducen con precisión los registros experimentales. Una descripción detallada está disponible 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 cohesiva, mediante un cálculo iterativo que reduce gradualmente las diferencias entre los resultados numéricos y los datos experimentales. La precisión alcanzada con el algoritmo de AMS supera a otras técnicas equivalentes. Breve descripción de los dos algoritmos:

• Algoritmo AMS-inverso para determinar la curva tensión-deformación plástica de un material. Este algoritmo ha sido desarrollado y validado en colaboración con el Departamento de Ciencia de Materiales de la Universidad Politécnica de Madrid. Se ha aplicado con éxito a diferentes geometrías, como tracción en anillo, compresión diametral, tracción en probeta entallada y nanoindentación esférica.

• Algoritmo AMS-inverso para obtener la curva de ablandamiento del hormigón. Este algoritmo determina la curva de ablandamiento que predice el comportamiento en rotura del hormigón, explicando su comportamiento en fractura a través de la teoría de la fisura cohesiva.

INTELIGENCIA ARTIFICIAL

La inteligencia artificial y los modelos basados en datos (data-driven models) representan una de las líneas de trabajo más potentes y prometedoras en AMS. Nos dedicamos a aplicar técnicas de Machine Learning y Deep Learning en Ciencia de los Materiales, construyendo modelos híbridos que combinan Física y Mecánica con redes neuronales. A continuación, presentamos algunos de nuestros desarrollos:

• Aplicación de redes neuronales invertibles en ciencia de materiales. La aplicación de redes neuronales invertibles en ciencia de materiales es una metodología potente que permite determinar propiedades de materiales y evaluar error de mediciones. Esta técnica combina resultados experimentales, cálculos numéricos, técnicas estadísticas y un tipo específico de redes neuronales conocidas como redes invertibles. En ADVANCED MATERIAL SIMULATION hemos aplicado esta innovadora metodología para caracterizar los parámetros poroacústicos de un hormigón celular a partir de una curva de acústica de absorción. Una vez obtenida la curva experimental, se calcula una región de posibles parámetros que predicen los resultados experimentales.





• Modelizaciones "real-time". La combinación modelos numéricos "físicos" con modelos reducidos basados en redes neuronales, permite la realización de simulaciones complejas y extensas en tiempo real. Esta innovadora aproximación permite capturar con precisión los aspectos fundamentales de los sistemas físicos mientras aprovechando la eficiencia y la velocidad de los modelos de redes neuronales para agilizar los procesos de simulación. Este enfoque híbrido no solo garantiza la precisión de los resultados, sino que también mejora significativamente la capacidad de respuesta y la velocidad de las simulaciones, proporcionando así a nuestros clientes una herramienta poderosa y eficaz para abordar una amplia gama de desafíos en tiempo real.





• 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.