Modelización de mecanismos de falla dúctiles en barras utilizando redes neuronales artificiales
Loading...
Date
2023-08-07
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
This research work focuses on modeling mechanisms of ductile failure in a one-dimensional
bar. The main objective is to use methods based on Physics-Informed Neural Networks (PINN)
and Machine Learning, employing the variational approach, to model the mechanism of ductile
failure and deformation localization. Two implementations of PINN have been developed
based on the variational principle, using different energy minimization equations that are
equivalent to each other. The obtained results demonstrate that neural networks are capable
of capturing elastoplastic behavior without the need for complex tools such as phase-fields.
This numerical approach presents a promising option compared to alternative methods like
finite elements, particularly for problems in higher dimensions where other methods show
limitations. This opens up new lines of research in the field of modeling failure mechanisms in
solids. It has been shown that these neural networks, applied through the variational principle,
offer sufficient accuracy compared to analytical solutions. As a recommendation, it is
suggested to further explore the nature of neural networks as a method for problem-solving in
solid mechanics, as well as to implement neural networks in solving problems in 2D and 3D,
which represents a future line of research.
Resumen
El presente trabajo de investigación se centra en la modelización de mecanismos de falla
dúctil en una barra unidimensional. El objetivo principal es utilizar métodos basados en
Physics-Informed Neural Networks (PINN) y Machine Learning, empleando el enfoque
variacional, para modelizar el mecanismo de falla dúctil y la localización de deformaciones.
Se desarrollaron dos implementaciones de PINN basadas en el principio variacional,
utilizando diferentes ecuaciones de minimización de energía que son equivalentes entre sí.
Los resultados obtenidos demuestran que las redes neuronales son capaces de capturar el
comportamiento elastoplástico sin la necesidad de herramientas complejas como phasefields. Este enfoque numérico se presenta como una opción prometedora en comparación
con métodos alternativos como los elementos finitos, especialmente para problemas de
dimensiones superiores, donde otros métodos muestran limitaciones. Esto abre nuevas
líneas de investigación en el campo de la modelización de mecanismos de falla en sólidos.
Se demostró que estas redes neuronales, aplicadas mediante el principio variacional, ofrecen
una precisión suficiente en comparación con las soluciones analíticas. Como recomendación,
se sugiere profundizar en la naturaleza de las redes neuronales como método para la
resolución de problemas en la mecánica de sólidos, así como implementar redes neuronales
en la resolución de problemas en 2D y 3D, lo cual representa una línea de investigación futura.
Keywords
Ingeniería Civil, Redes neuronales, Mecánica de sólidos, Elasticidad, Fallas en ductos
Citation
Código de tesis
TI;1302
Código de tesis
Grado Académico
Ingeniero Civil