Aquesta tesi doctoral presenta un marc computacional-experimental per a l’an\u00e0lisi, el disseny i l’optimitzaci\u00f3 de metamaterials aux\u00e8tics amb un rendiment d’absorci\u00f3 d’energia millorat. La metodologia proposada combina la caracteritzaci\u00f3 experimental, l’an\u00e0lisi no lineal per elements finits, la fabricaci\u00f3 additiva, el disseny estructural i l’aprenentatge autom\u00e0tic per permetre el desenvolupament eficient de metamaterials lleugers amb propietats mec\u00e0niques a mida. <\/p>\n
La tesi investiga primer el comportament mec\u00e0nic d’estructures cel\u00b7lulars convencionals i aux\u00e8tiques mitjan\u00e7ant proves experimentals i simulacions no lineals d’elements finits validades. Les an\u00e0lisis aporten informaci\u00f3 sobre la influ\u00e8ncia de la topologia cel\u00b7lular, la direcci\u00f3 de la c\u00e0rrega i els mecanismes de deformaci\u00f3 en la resposta mec\u00e0nica, demostrant la capacitat superior d’absorci\u00f3 d’energia de les estructures aux\u00e8tiques reentrants en comparaci\u00f3 amb les arquitectures alveolars convencionals. <\/p>\n
Basant-se en aquests resultats, es proposen noves modificacions geom\u00e8triques de la c\u00e8l\u00b7lula unit\u00e0ria reentrant convencional per millorar la seva resposta aux\u00e8tica i la capacitat d’absorci\u00f3 d’energia, tot preservant els seus mecanismes de deformaci\u00f3 caracter\u00edstics. Les prediccions num\u00e8riques es validen experimentalment, confirmant l’efic\u00e0cia dels dissenys proposats. En comparaci\u00f3 amb el disseny base, les modificacions assoleixen millores de fins al 1250 % en capacitat d’absorci\u00f3 d’energia i del 860 % en absorci\u00f3 espec\u00edfica d’energia. <\/p>\n
Per accelerar el proc\u00e9s de disseny, s’ha desenvolupat un marc de disseny directe i invers basat en l’aprenentatge autom\u00e0tic, utilitzant conjunts de dades generats a partir de simulacions per elements finits validades. La metodologia proposada permet la predicci\u00f3 eficient de respostes mec\u00e0niques no lineals i la identificaci\u00f3 inversa de geometries de c\u00e8l\u00b7lula unit\u00e0ria tant per a estructures aux\u00e8tiques uniformes com de gradaci\u00f3 de gruix, amb un rendiment mec\u00e0nic prescrit. A m\u00e9s, s’ha desenvolupat un marc d’aprenentatge autom\u00e0tic guiat per la f\u00edsica que combina una estrat\u00e8gia de descomposici\u00f3 de la resposta per capes amb xarxes neuronals profundes per reduir substancialment el cost computacional de la generaci\u00f3 de conjunts de dades, alhora que millora el rendiment predictiu. El marc proposat aconsegueix errors de predicci\u00f3 inferiors al 2,5 %, incloent-hi en escenaris d’extrapolaci\u00f3, utilitzant nom\u00e9s 10 mostres d’entrenament, en comparaci\u00f3 amb les 2.145 mostres que requereix la xarxa neuronal profunda convencional. <\/p>\n
En general, aquesta tesi estableix un marc que integra la mec\u00e0nica computacional, la validaci\u00f3 experimental, l’optimitzaci\u00f3 estructural i l’aprenentatge autom\u00e0tic guiat per la f\u00edsica per al disseny eficient de metamaterials aux\u00e8tics avan\u00e7ats. Les metodologies proposades proporcionen eines pr\u00e0ctiques per al desenvolupament d’estructures lleugeres amb un rendiment mec\u00e0nic personalitzat i una absorci\u00f3 d’energia millorada, alhora que ofereixen una base metodol\u00f2gica per estendre els enfocaments de disseny basats en dades a altres sistemes de metamaterials. <\/p>\n
Directors de tesi:<\/strong><\/p>\n
![\"Ms.](\"https:\/\/cimne.com\/wp-content\/uploads\/2026\/10\/Farshbaf_miniature_CIMNE.jpg\")