Data-driven discovery of roughness descriptors for surface characterization and intimate contact modeling of unidirectional composite tapes

Título: Descubrimiento basado en datos de descriptores de rugosidad para la caracterización de superficies y el modelado del contacto íntimo de cintas de composite unidireccional

1. Planteamiento del Problema

En la fabricación de estructuras de composites termoplásticos, la consolidación de cintas preimpregnadas (pre-preg) requiere dos condiciones físicas críticas en la interfaz:

1. El desarrollo de un contacto íntimo efectivo entre las superficies.
2. La inter-difusión macromolecular impulsada por la temperatura (teoría del reptado de De Gennes) dentro de una ventana de tiempo específica.

La rugosidad superficial de las cintas determina la evolución de este contacto íntimo. Sin embargo, los descriptores estadísticos tradicionales de rugosidad, aunque capaces de representar la topología de la superficie, no están necesariamente conectados con la física real que ocurre durante la consolidación. Además, métodos avanzados como el Análisis Topológico de Datos (TDA) han demostrado ser efectivos para clasificar cintas basándose en la rugosidad macroscópica, pero fallan al tratar la micro-rugosidad (la rugosidad residual tras eliminar las características geométricas dominantes), ya que esta se interpreta como ruido topológico sin persistencia.

La pregunta de investigación clave es: ¿Qué descriptores de rugosidad permiten simultáneamente la clasificación de las cintas (crucial para el control del proceso) y el modelado de la consolidación (inferencia de la evolución del grado de contacto íntimo)?

2. Metodología Propuesta

Los autores proponen una estrategia novedosa basada en Autoencoders de Reducción de Rangos (RRAE - Rank Reduction Autoencoders).

• Simulación de Datos (Ground Truth):

  • Se utilizó un método de autómata celular en 2D para simular la compactación isoterma de perfiles de rugosidad medidos.
  • El modelo asume que la cinta es un fluido termoplástico incompresible y transversalmente isotrópico, y que el aire escapa idealmente.
  • La salida de la simulación es la evolución temporal del Grado de Contacto Íntimo (DIC).
  • Se generó una base de datos con 1011 perfiles de rugosidad de 12 cintas termoplásticas de diferentes proveedores.

• Arquitectura RRAE:

  • A diferencia de los autoencoders estándar, el RRAE impone una estructura de espacio latente lineal mediante la aplicación de una Descomposición en Valores Singulares (SVD) truncada durante el entrenamiento.
  • Objetivo Dual: La arquitectura entrena simultáneamente tres ramas:
    1. Reconstrucción: Decodificar el perfil de rugosidad original.
    2. Clasificación: Identificar el proveedor (clase) de la cinta.
    3. Predicción: Inferir la curva de evolución del DIC.
  • Procesamiento: Se separa la rugosidad macroscópica de la micro-rugosidad. Para la micro-rugosidad, se utiliza una arquitectura con convoluciones 1D para extraer patrones finos.

• Estrategias de Entrenamiento:

  • Se exploraron arquitecturas unificadas (una sola red para todas las tareas) y arquitecturas extendidas con aprendizaje desacoplado (dos modelos RRAE entrenados conjuntamente para separar las características de clasificación de las modos intrínsecos del DIC).

3. Contribuciones Clave

1. Descubrimiento de Descriptores Físicos: Demostración de que es posible extraer un conjunto reducido de descriptores latentes que capturan tanto la geometría de la superficie como la cinética de consolidación, superando las limitaciones de los descriptores estadísticos y el TDA en micro-escala.
2. Arquitectura RRAE: Validación de que la imposición de una estructura SVD en el espacio latente mejora la robustez, la interpretabilidad (modos ortogonales) y la eficiencia dimensional en comparación con autoencoders lineales estándar o redes convolucionales supervisadas.
3. Modelado Unificado: Capacidad de realizar clasificación y predicción de procesos físicos (DIC) en una sola arquitectura con alta precisión, utilizando un número muy bajo de variables latentes.

4. Resultados

• Clasificación:
  • Con la rugosidad completa (macro + micro), un solo descriptor latente fue suficiente para una clasificación casi perfecta.
  • Con solo la micro-rugosidad, se requirieron 4 descriptores latentes para lograr una precisión de clasificación casi perfecta, demostrando que la micro-rugosidad contiene información discriminativa que el TDA no puede capturar.
• Predicción del Contacto Íntimo (DIC):
  • Se identificó que 5 modos latentes ($k_{max}=5$) son suficientes para reconstruir la rugosidad, clasificar la cinta y predecir la evolución del DIC con alta fidelidad.
  • El error promedio de predicción del DIC en el conjunto de prueba fue de aproximadamente 2%.
  • Al aumentar $k_{max}$ a 6 o más, las mejoras fueron marginales.
• Comparación con otros métodos:
  • Redes Encoder-Decoder Supervisadas: Sufrieron de sobreajuste y produjeron oscilaciones numéricas no físicas. El error acumulado fue casi el doble que el del RRAE.
  • Autoencoders Clásicos (Lineales): Requerían un número mucho mayor de neuronas latentes ($k_{max}=12$) para alcanzar un rendimiento similar, perdiendo la interpretabilidad física y la eficiencia dimensional.
• Arquitectura Extendida: Una versión desacoplada de la arquitectura permitió lograr una clasificación perfecta y una predicción de DIC óptima con solo 4 características de rugosidad, confirmando que las características para clasificación y consolidación son parcialmente distintas pero pueden coexistir en un espacio reducido.

5. Significado e Impacto

• Control de Proceso en Tiempo Real: La metodología permite identificar "descriptores ocultos" que gobiernan la calidad del enlace, facilitando la toma de decisiones en línea y el control de calidad durante la fabricación de composites.
• Eficiencia Computacional y Física: El RRAE ofrece una representación compacta y físicamente consistente, capaz de capturar la geometría y la cinética de consolidación en un espacio de baja dimensión.
• Adaptabilidad: El marco no está atado a un modelo de consolidación específico. Si la física se enriquece (ej. cambiando de velocidad constante a fuerza constante), el RRAE puede reentrenarse para incorporar estos nuevos comportamientos directamente en el espacio latente.
• Reducción de Desperdicios: Al permitir una predicción más precisa de los defectos de consolidación, esta estrategia puede reducir las tasas de rechazo y mejorar la fiabilidad del proceso de fabricación de estructuras compuestas.

En resumen, el trabajo demuestra que el aprendizaje automático basado en la reducción de rangos (RRAE) es una herramienta superior para la caracterización de superficies complejas y la modelación de fenómenos físicos de consolidación, superando a las técnicas estadísticas tradicionales y a las arquitecturas de aprendizaje profundo estándar en términos de precisión, robustez e interpretabilidad.