RESUMEN
Esta tesis doctoral presenta un marco computacional-experimental para el análisis, el diseño y la optimización de metamateriales auxéticos con un mayor rendimiento en la absorción de energía. La metodología propuesta combina la caracterización experimental, el análisis no lineal por elementos finitos, la fabricación aditiva, el diseño estructural y el aprendizaje automático para permitir el desarrollo eficiente de metamateriales ligeros con propiedades mecánicas a medida.
En primer lugar, la tesis investiga el comportamiento mecánico de las estructuras celulares convencionales y auxéticas mediante ensayos experimentales y simulaciones no lineales con el método de elementos finitos validadas. Los análisis permiten comprender la influencia de la topología celular, la dirección de la carga y los mecanismos de deformación en la respuesta mecánica, lo que demuestra la capacidad superior de absorción de energía de las estructuras auxéticas reentrantes frente a las arquitecturas de panal convencionales.
A partir de estos resultados, se proponen nuevas modificaciones geométricas de la celda unidad reentrante convencional con el fin de mejorar su respuesta auxética y su capacidad de absorción de energía, al tiempo que se conservan sus mecanismos de deformación característicos. Las predicciones numéricas se han validado experimentalmente, lo que confirma la eficacia de los diseños propuestos. En comparación con el diseño básico, las modificaciones logran mejoras de hasta un 1250 % en la capacidad de absorción de energía y de un 860 % en la absorción específica de energía.
Para acelerar el proceso de diseño, se ha desarrollado un marco de diseño directo e inverso basado en el aprendizaje automático, utilizando conjuntos de datos generados a partir de simulaciones validadas con el método de elementos finitos. La metodología propuesta permite predecir de forma eficiente las respuestas mecánicas no lineales e identificar de forma inversa las geometrías de las celdas unitarias, tanto para estructuras auxéticas uniformes como para aquellas con espesor gradual, con un rendimiento mecánico predeterminado. Además, se ha desarrollado un marco de aprendizaje automático guiado por la física que combina una estrategia de descomposición de la respuesta por capas con redes neuronales profundas, con el fin de reducir sustancialmente el coste computacional de la generación de conjuntos de datos y, al mismo tiempo, mejorar el rendimiento predictivo. El marco propuesto alcanza errores de predicción inferiores al 2,5 %, incluso en escenarios de extrapolación, utilizando tan solo 10 muestras de entrenamiento, en comparación con las 2 145 muestras que requiere la red neuronal profunda convencional.
En general, esta tesis establece un marco que integra la mecánica computacional, la validación experimental, la optimización estructural y el aprendizaje automático basado en la física para el diseño eficiente de metamateriales auxéticos avanzados. Las metodologías propuestas proporcionan herramientas prácticas para desarrollar estructuras ligeras con un rendimiento mecánico a medida y una mayor absorción de energía, al tiempo que ofrecen una base metodológica para ampliar los enfoques de diseño basados en datos a otros sistemas de metamateriales.
Directores de tesis:
-
- Dra. Narges Dialami
- Dr. Miguel Cervera
DOCTORANDA
Sima Farshbaf es doctoranda en Ingeniería Civil en la Universitat Politècnica de Catalunya (UPC) y en el CIMNE. Su investigación se sitúa en la intersección entre la mecánica computacional, los metamateriales, la fabricación aditiva y el aprendizaje automático. Desarrolla marcos computacionales y basados en datos para el diseño y la optimización de metamateriales auxéticos, combinando la validación experimental, la modelización por elementos finitos y la inteligencia artificial para mejorar el rendimiento mecánico y la capacidad de absorción de energía de las estructuras ligeras.