Julen Mendicute San Martin ikasleak BIKAIN kalifikazioa lortu zuen, ‘CUM LAUDE’ aipamenarekin

Atzealdea

Julen Mendicute San Martin ikasleak BIKAIN kalifikazioa lortu zuen, ‘CUM LAUDE’ aipamenarekin

TESIA

Julen Mendicute San Martin ikasleak BIKAIN kalifikazioa lortu zuen, ‘CUM LAUDE’ aipamenarekin

2022·07·12

$titulo.getData()

Tesiaren izenburua: "Predicción del comportamiento a impacto de materiales compuestos fabricados mediante Resin Transfer Moulding aplicando Gemelos Digitales basados en Machine Learning"

Epaimahaia:

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

Laburpena:

Karbono-zuntzez indartutako polimeroak (CFRP) eraginkorrak dira egitura arintzeko, dentsitate baxua eta propietate mekaniko onak konbinatzen baitituzte, batez ere erresistentzia eta zurruntasun espezifikoa. Resin Transfer Moulding (RTM) prozesua eraginkorra da prestazio handiko, geometrikoki konplexuak eta kostu baxuko piezak fabrikatzeko. Hala ere, RTM prozesuaren fidagarritasunak erronka bat izaten jarraitzen du, materialaren eta prozesuaren ziurgabetasunek negatiboki eragiten baitute inpregnazio kalitatean, batez ere porositate akatsak eta eremu lehorrak sortzen. Akats horiei aurre egiteko, paradigma aldaketa bat behar da, fabrikazio-sistema bera "aditu" bilakatu behar baita, materialen zientzian eta prozesu teknologian. Fabrikazio-sistemak kontuan hartu behar ditu inpregnazioan sortutako akatsak, azken egituraren errendimendu mekanikoa aurreikusteko. Hau da, prozesu fisikoaren Biki Digitala (DT) eraiki behar da, eta RTM prozesua zehaztasunez digitalki sortu. Horretarako, prozesuaren modelizazio jarraia, Prozesua-Egitura-Propietateak-Portaera (PSPP) metodologian oinarritua, funtsezkoa da. Tesi honen helburua, RTM prozesuaren biki digitalen inguruan ezagutza sortzen da, PSPP ikuspegian oinarrituz.

Lehenik eta behin, PSPP ikuspegian oinarritutako azterketa esperimental bat egin da. Azterketa horretan, prozesu parametroek porositatea sortzeko duten eragina kuantifikatu da (Prozesua-Egitura), eta, ondoren, porositateak talka-propietateetan duen eragina (Egitura-Propietateak). Horretarako, NCF-Epoxy biaxialen (0/90) saiakuntzak egin dira porositate-eduki desberdinekin (% 0,58; % 1,35, % 2,44 eta % 4,34), dardo bidezko talka metodoaren bidez. Porositate handiko laginek (% 4,34) % 25,88 murriztu dute indar maximoa, eta % 9,57 disipazio energia, porosidade baxuko laginen aldean (% 0,58).

Bigarrenik, Machine Learning-en (ML) oinarritutako inpregnazio-kalitatearen diagnostiko modelo bat garatu da. Modelo hau prozesuko datuekin elikatu da eta prozesu ostean sortutako egitura aurreikusten du (Prozesua-Egitura). Aztertutako modelo prediktiboen artean, Extreme Gradient Boosting eta Light Gradient Boosting Machine izan dira RTMaren betetze-kalitatea aurresateko modelorik zehatzenak, % 84,9 eta % 83,35-eko zehaztasunarekin. Gainera, ML modeloaren eskalatze bati esker, piezaren kalitatea aurreikusteaz gain, akatsa sortu den eremuak aurkitu ahal izan dira. ML modeloaren kalkulu-denbora FEM modeloarekin alderatuz gero, denbora konputazionalean 360 s-tik 1 s-ra murriztu dela ikusi da. Beraz, gainbegiratutako ikaskuntzaren modelo prediktiboak RTM bidez fabrikatutako piezaren kalitatea diagnostikatzeko erabil daitezke. Bestalde, prozesuan integratzeko eta prozesuaren biki digitala elikatzeko bezain azkarrak dira.

Azkenik, ML eta FEM-en oinarritutako modelo subrogatu bat garatu da. Modelo honek, inpregnazio defektuaren kokapena eta porosidade maila ezagututa, propietate mekanikoen murrizketa aurreikus dezake (Egitura-Propietateak), eta, ondoren, piezen talka portaera aurreikus dezake (Propietateak-Portaera). Modelo subrogatua hiru zatitan banatua izan da: (i) gehienezko desplazamenduan oinarritutako kalitate sailkapena, (ii) desplazamendu maximoaren balioaren aurreikuspena (erregresioa) eta (iii) talka-kurbak lortzeko multi-irteera erregresiboa (F(t), E(t) eta U(t)). Lortutako emaitzek erakutsi dutenez, % 95,85-eko zehaztasuna lortu da sailkapenean, eta % 0,86-koa erregresioko R2 balioan. Bestalde, modelo subrogatua entrenatu ondoren, 5 segundo baino gutxiagoan egin ditzake iragarpenak; FEM modeloak, berriz, 60 minutu behar ditu.

Biak konbinatuz, inpregnazioaren kalitatearen diagnostiko-modeloa (Prozesua-Egitura) eta egiturazko portaeraren modelo prediktiboa (Egitura-Propietateak-Portaera), PSPP ikuspegian oinarritutako DT bat sor daiteke. Bi modeloak RTM prozesuan integratzeko bezain azkarrak dira, eta prozesu-defektuak kontuan hartuta piezen portaera mekanikoa on-line balioztatzeko aukera ematen dute.