{"id":262164,"date":"2026-10-15T12:47:33","date_gmt":"2026-10-15T10:47:33","guid":{"rendered":"https:\/\/cimne.com\/defensa-de-tesis-doctoral-sobre-metamateriales-auxeticos-sima-farshbaf\/"},"modified":"2026-10-15T13:09:16","modified_gmt":"2026-10-15T11:09:16","slug":"defensa-de-tesis-doctoral-sobre-metamateriales-auxeticos-sima-farshbaf","status":"publish","type":"post","link":"https:\/\/cimne.com\/es\/defensa-de-tesis-doctoral-sobre-metamateriales-auxeticos-sima-farshbaf\/","title":{"rendered":"Defensa de tesis doctoral: \u00abDise\u00f1o computacional y basado en datos de metamateriales aux\u00e9ticos fabricados mediante fabricaci\u00f3n aditiva para una mayor absorci\u00f3n de energ\u00eda\u00bb, de Sima Farshbaf"},"content":{"rendered":"

[et_pb_section fb_built=\u00bb1″ _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_row _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_text _builder_version=\u00bb4.27.9″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n

RESUMEN<\/strong><\/h5>\n

Esta tesis doctoral presenta un marco computacional-experimental para el an\u00e1lisis, el dise\u00f1o y la optimizaci\u00f3n de metamateriales aux\u00e9ticos con un mayor rendimiento en la absorci\u00f3n de energ\u00eda. La metodolog\u00eda propuesta combina la caracterizaci\u00f3n experimental, el an\u00e1lisis no lineal por elementos finitos, la fabricaci\u00f3n aditiva, el dise\u00f1o estructural y el aprendizaje autom\u00e1tico para permitir el desarrollo eficiente de metamateriales ligeros con propiedades mec\u00e1nicas a medida. <\/p>\n

En primer lugar, la tesis investiga el comportamiento mec\u00e1nico de las estructuras celulares convencionales y aux\u00e9ticas mediante ensayos experimentales y simulaciones no lineales con el m\u00e9todo de elementos finitos validadas. Los an\u00e1lisis permiten comprender la influencia de la topolog\u00eda celular, la direcci\u00f3n de la carga y los mecanismos de deformaci\u00f3n en la respuesta mec\u00e1nica, lo que demuestra la capacidad superior de absorci\u00f3n de energ\u00eda de las estructuras aux\u00e9ticas reentrantes frente a las arquitecturas de panal convencionales. <\/p>\n

A partir de estos resultados, se proponen nuevas modificaciones geom\u00e9tricas de la celda unidad reentrante convencional con el fin de mejorar su respuesta aux\u00e9tica y su capacidad de absorci\u00f3n de energ\u00eda, al tiempo que se conservan sus mecanismos de deformaci\u00f3n caracter\u00edsticos. Las predicciones num\u00e9ricas se han validado experimentalmente, lo que confirma la eficacia de los dise\u00f1os propuestos. En comparaci\u00f3n con el dise\u00f1o b\u00e1sico, las modificaciones logran mejoras de hasta un 1250 % en la capacidad de absorci\u00f3n de energ\u00eda y de un 860 % en la absorci\u00f3n espec\u00edfica de energ\u00eda. <\/p>\n

Para acelerar el proceso de dise\u00f1o, se ha desarrollado un marco de dise\u00f1o directo e inverso basado en el aprendizaje autom\u00e1tico, utilizando conjuntos de datos generados a partir de simulaciones validadas con el m\u00e9todo de elementos finitos. La metodolog\u00eda propuesta permite predecir de forma eficiente las respuestas mec\u00e1nicas no lineales e identificar de forma inversa las geometr\u00edas de las celdas unitarias, tanto para estructuras aux\u00e9ticas uniformes como para aquellas con espesor gradual, con un rendimiento mec\u00e1nico predeterminado. Adem\u00e1s, se ha desarrollado un marco de aprendizaje autom\u00e1tico guiado por la f\u00edsica que combina una estrategia de descomposici\u00f3n de la respuesta por capas con redes neuronales profundas, con el fin de reducir sustancialmente el coste computacional de la generaci\u00f3n de conjuntos de datos y, al mismo tiempo, mejorar el rendimiento predictivo. El marco propuesto alcanza errores de predicci\u00f3n inferiores al 2,5 %, incluso en escenarios de extrapolaci\u00f3n, utilizando tan solo 10 muestras de entrenamiento, en comparaci\u00f3n con las 2 145 muestras que requiere la red neuronal profunda convencional. <\/p>\n

En general, esta tesis establece un marco que integra la mec\u00e1nica computacional, la validaci\u00f3n experimental, la optimizaci\u00f3n estructural y el aprendizaje autom\u00e1tico basado en la f\u00edsica para el dise\u00f1o eficiente de metamateriales aux\u00e9ticos avanzados. Las metodolog\u00edas propuestas proporcionan herramientas pr\u00e1cticas para desarrollar estructuras ligeras con un rendimiento mec\u00e1nico a medida y una mayor absorci\u00f3n de energ\u00eda, al tiempo que ofrecen una base metodol\u00f3gica para ampliar los enfoques de dise\u00f1o basados en datos a otros sistemas de metamateriales. <\/p>\n

Directores de tesis:<\/strong><\/p>\n