Samaniego Alvarado, Esteban PatricioAguilar Valarezo, Emerson RobertoMerchán Avila, Daniel Esteban2025-09-252025-09-252025-09-25https://dspace.ucuenca.edu.ec/handle/123456789/47456Este trabajo presenta una prueba de concepto basada en un enfoque multiescala data-driven (DD) para modelar el comportamiento elastoplástico de materiales sin utilizar leyes constitutivas explícitas. Se estudian dos configuraciones: caso unidimensional (barra) y bidimensional (deformación plana), considerando tanto plasticidad con endurecimiento como con ablandamiento. En la escala microscópica unidimensional y bidimensional (con endurecimiento) se generaron datos sintéticos para el material bajo tracción y para la celda unitaria sometida a corte correspondientemente. Estos datos esfuerzo-deformación alimentaron a un modelo DD que, en la escala macroscópica, resolvió el problema sin recurrir a un modelo constitutivo. Se logró una convergencia adecuada en ambos casos de endurecimiento (unidimensional y bidimensional). Sin embargo, en el caso de ablandamiento unidimensional, al aumentar la cantidad de elementos (de 3 a 5), el modelo con ablandamiento no logró una convergencia. En el caso bidimensional con ablandamiento, se empleó un modelo variacional tipo Deep Ritz para realizar experimentos virtuales de corte sobre la celda unitaria. Estos experimentos utilizaron condiciones de contorno tipo Dirichlet y las ecuaciones de equilibrio de la mecánica de medios continuos para obtener datos del comportamiento del material. Los resultados en 2D con ablandamiento mostraron que el modelo DD presenta dificultades en la resolución del problema, lo cual evidencia la necesidad de ajustes metodológicos en escenarios con localización de deformaciones. Se utilizó MATLAB y Python junto con bibliotecas de aprendizaje profundo para el entrenamiento del modelo. El estudio demuestra el potencial del enfoque DD para modelar materiales complejos sin requerir una formulación constitutiva explícita.This work presents a proof of concept based on a multiscale data-driven (DD) approach to modeling the elastoplastic behavior of materials without using explicit constitutive laws. Two configurations are studied: a one-dimensional case (bar) and a two-dimensional case (plane strain), considering both hardening and softening plasticity. At the one-dimensional and twodimensional microscopic scales (with hardening), synthetic data were generated for the material under tensile loading and for the unit cell subjected to shear loading, respectively. These stress-strain data were fed into a DD model which, at the macroscopic scale, solved the problem without resorting to a constitutive model. Adequate convergence was achieved in both hardening cases (one-dimensional and two-dimensional). However, in the onedimensional softening case, increasing the number of elements (from 3 to 5) caused the softening model to fail to achieve convergence. In the two-dimensional softening case, a Deep Ritz-type variational model was used to perform virtual shear experiments on the unit cell. These experiments used Dirichlet-type boundary conditions and the equilibrium equations of continuum mechanics to obtain data on material behavior. The 2D softening results showed that the DD model presents difficulties in solving the problem, highlighting the need for methodological adjustments in scenarios with strain localization. MATLAB and Python were used alongside deep learning libraries for model training. The study demonstrates the potential of the DD approach to model complex materials without requiring an explicit constitutive formulation.application/pdf64 páginasspahttps://creativecommons.org/licenses/by-nc-nd/4.0Ingeniería CivilSólidos elastoplásticosData-drivenEnfoque multiescalaIngeniería CivilbachelorThesisopenAccess