RESUM
Aquesta tesi doctoral presenta un marc computacional-experimental per a l’anàlisi, el disseny i l’optimització de metamaterials auxètics amb un rendiment d’absorció d’energia millorat. La metodologia proposada combina la caracterització experimental, l’anàlisi no lineal per elements finits, la fabricació additiva, el disseny estructural i l’aprenentatge automàtic per permetre el desenvolupament eficient de metamaterials lleugers amb propietats mecàniques a mida.
La tesi investiga primer el comportament mecànic d’estructures cel·lulars convencionals i auxètiques mitjançant proves experimentals i simulacions no lineals d’elements finits validades. Les anàlisis aporten informació sobre la influència de la topologia cel·lular, la direcció de la càrrega i els mecanismes de deformació en la resposta mecànica, demostrant la capacitat superior d’absorció d’energia de les estructures auxètiques reentrants en comparació amb les arquitectures alveolars convencionals.
Basant-se en aquests resultats, es proposen noves modificacions geomètriques de la cèl·lula unitària reentrant convencional per millorar la seva resposta auxètica i la capacitat d’absorció d’energia, tot preservant els seus mecanismes de deformació característics. Les prediccions numèriques es validen experimentalment, confirmant l’eficàcia dels dissenys proposats. En comparació amb el disseny base, les modificacions assoleixen millores de fins al 1250 % en capacitat d’absorció d’energia i del 860 % en absorció específica d’energia.
Per accelerar el procés de disseny, s’ha desenvolupat un marc de disseny directe i invers basat en l’aprenentatge automàtic, utilitzant conjunts de dades generats a partir de simulacions per elements finits validades. La metodologia proposada permet la predicció eficient de respostes mecàniques no lineals i la identificació inversa de geometries de cèl·lula unitària tant per a estructures auxètiques uniformes com de gradació de gruix, amb un rendiment mecànic prescrit. A més, s’ha desenvolupat un marc d’aprenentatge automàtic guiat per la física que combina una estratègia de descomposició de la resposta per capes amb xarxes neuronals profundes per reduir substancialment el cost computacional de la generació de conjunts de dades, alhora que millora el rendiment predictiu. El marc proposat aconsegueix errors de predicció inferiors al 2,5 %, incloent-hi en escenaris d’extrapolació, utilitzant només 10 mostres d’entrenament, en comparació amb les 2.145 mostres que requereix la xarxa neuronal profunda convencional.
En general, aquesta tesi estableix un marc que integra la mecànica computacional, la validació experimental, l’optimització estructural i l’aprenentatge automàtic guiat per la física per al disseny eficient de metamaterials auxètics avançats. Les metodologies proposades proporcionen eines pràctiques per al desenvolupament d’estructures lleugeres amb un rendiment mecànic personalitzat i una absorció d’energia millorada, alhora que ofereixen una base metodològica per estendre els enfocaments de disseny basats en dades a altres sistemes de metamaterials.
Directors de tesi:
-
- Dr. Narges Dialami
- Dr. Miguel Cervera
DOCTORANDA
Sima Farshbaf és doctoranda en Enginyeria Civil a la Universitat Politècnica de Catalunya (UPC) i al CIMNE. La seva recerca se situa a la intersecció de la mecànica computacional, els metamaterials, la fabricació additiva i l’aprenentatge automàtic. Desenvolupa marcs computacionals i basats en dades per al disseny i l’optimització de metamaterials auxètics, combinant la validació experimental, la modelització per elements finits i la intel·ligència artificial per millorar el rendiment mecànic i la capacitat d’absorció d’energia de les estructures lleugeres.