Physics-Informed Machine Learning for Predicting Buckling Performance and Damage Evolution in Graphene Reinforced Basalt/Epoxy Composites

Resumen Técnico: Aprendizaje Automático Informado por la Física para la Predicción del Desempeño de Pandeo y la Evolución de Daños en Compuestos de Basalto/Epoxi Reforzados con Grafeno

Planteamiento del Problema
Los compuestos de polímero reforzados con fibra de basalto (BFRC) ofrecen una alternativa sostenible y de alta resistencia a las fibras de vidrio y carbono para aplicaciones estructurales ligeras. Sin embargo, su utilidad en la ingeniería avanzada se ve limitada por la débil adhesión interfacial fibra-matriz, la iniciación prematura de daños y la estabilidad compresiva limitada. Específicamente, los compuestos de basalto suelen sufrir micro-pandeo e inestabilidad de la fibra bajo cargas de compresión, lo que conduce a la delaminación y una reducción en la tolerancia al daño. Si bien la funcionalización con nanomateriales, particularmente con óxido de grafeno reducido (rGO), ha mostrado promesa para mejorar la rigidez de la matriz y la unión interfacial, la investigación existente aborda típicamente estas mejoras de forma aislada, ya sea modificando la matriz o recubriendo las fibras. Existe una falta de marcos integrados que exploren simultáneamente la funcionalización de fase dual y traduzcan estas mejoras a escala nanométrica en la estabilidad estructural a macroescala, particularmente bajo condiciones de pandeo no lineal y daño progresivo. Además, la optimización del diseño tradicional depende del análisis de elementos finitos (FEA) computacionalmente costoso, lo que hace que la exploración de vastos espacios de diseño (parámetros geométricos y secuencias de apilamiento) sea impráctica.

Metodología
El estudio propone un marco integrado experimental-computacional que combina la funcionalización de fase dual de rGO, el modelado multiescala y el aprendizaje automático (ML) informado por la física.

1. Fabricación y Caracterización de Materiales:
   Se fabricaron cuatro sistemas de compuestos utilizando la técnica de Moldeo por Transferencia de Resina Asistida por Vacío (VARTM):

• BEC: Basalto/epoxi (control).
• BREC: Matriz de epoxi modificada con rGO (0.75 % en peso de rGO).
• CBEC: Fibras de basalto recubiertas con rGO (0.3 % en peso de rGO mediante deposición electroforética).
• CBREC: Sistema híbrido con tanto la matriz modificada con rGO como las fibras recubiertas.
  Las propiedades mecánicas (tracción, compresión, cizalladura interlaminar y tenacidad a la fractura) se caracterizaron según los estándares ASTM para identificar la configuración óptima.

2. Modelado Multiescala:

• Micromecánica: Se empleó un enfoque de Elemento de Volumen Representativo (RVE) en ANSYS 2024 R1 para homogeneizar las propiedades ortotrópicas efectivas de los compuestos, considerando los efectos de refuerzo a nanoescala.
• FEM de Macroescala: Se realizó un análisis de elementos finitos no lineal utilizando elementos SHELL181 para simular el comportamiento de pandeo. El modelo incorporó no linealidad geométrica y evolución de daño progresivo basado en los criterios de falla de Hashin acoplados con Mecánica de Daño Continuo (CDM).
• Generación de Datos: Se generó un conjunto de datos exhaustivo de 12,852 configuraciones de laminados variando los parámetros geométricos (longitud, ancho, espesor) y las secuencias de apilamiento.

3. Aprendizaje Automático Informado por la Física:
   Para superar el costo computacional del FEA iterativo, se desarrollaron modelos subrogados de ML utilizando el conjunto de datos generado por FEM. Se evaluaron tres modelos:

• Regresión Lineal (LR) para tendencias lineales globales.
• Regresión de Vectores de Soporte (SVR) para capturar las relaciones no lineales entre rigidez e inestabilidad.
• Un Modelo de Ensamble que combina LR y SVR (mediante promediado ponderado y apilamiento) para aprovechar las capacidades predictivas tanto lineales como no lineales.
• Interpretabilidad: Se utilizaron las Explicaciones de Aditividad de Shapley (SHAP) para atribuir la importancia de las características, asegurando que las predicciones del modelo sean mecánicamente interpretables.

Resultados Clave

• Desempeño Mecánico: La funcionalización de fase dual (CBREC) produjo las mejoras más significativas. En comparación con el control (BEC), el compuesto CBREC demostró un aumento del 23.45 % en la resistencia a la tracción, un aumento del 60 % en la resistencia a la compresión (de 200 MPa a 320 MPa) y una mejora en la cizalladura interlaminar y la tenacidad a la fractura. Estas mejoras se atribuyen a la distribución sinérgica de esfuerzos, la mejora de la unión interfacial y el aumento de la rigidez de la matriz.
• Evolución del Daño: El análisis de daño progresivo reveló que la configuración CBREC retrasa la iniciación del daño y promueve una redistribución de carga estable, mitigando eficazmente los modos de falla prematuros asociados con el kinking de la fibra y la delaminación.
• Desempeño del Aprendizaje Automático: El modelo de ensamble alcanzó un coeficiente de determinación ($R^2$) de 0.973 en la predicción de las cargas críticas de pandeo, superando significativamente a los modelos individuales. El análisis SHAP identificó la longitud y el ancho del laminado como los parámetros dominantes que gobiernan la resistencia al pandeo.
• Eficiencia: El modelo subrogado de ML reemplazó con éxito las simulaciones repetitivas de FEA, permitiendo la predicción rápida y la optimización del desempeño de pandeo a través del espacio de diseño.

Significancia y Reivindicaciones
Los autores afirman que este trabajo representa la primera investigación integral experimental-computacional que demuestra el papel de la funcionalización de fase dual de rGO en la mejora de la respuesta de pandeo no lineal y el comportamiento de daño progresivo de los compuestos reforzados con fibra de basalto. El estudio establece un vínculo directo y trazable entre la modificación del material (nanoescala), la respuesta estructural (macroescala) y la optimización basada en datos.

La significancia del marco propuesto radica en su capacidad para:

1. Resolver el compromiso entre la unión interfacial y la tenacidad de la matriz mediante un enfoque sinérgico de fase dual.
2. Proporcionar un vínculo físicamente consistente a través de las escalas, traduciendo las mejoras de la interfaz a nanoescala en predicciones de estabilidad estructural a macroescala.
3. Ofrecer una vía eficiente para el diseño de estructuras compuestas ligeras y tolerantes al daño mediante la integración de un modelado de alta fidelidad basado en la física con aprendizaje automático interpretable, facilitando así una exploración de diseño rápida sin el costo computacional prohibitivo de un FEA de escala completa para cada iteración.