⚡ electrical engineering

A Mesoscale Damage Mechanics Framework for Predicting Damage Initiation in Cross-Ply Composite Laminates under Low-Velocity Impact Using Artificial Neural Networks

Este estudio propone un marco híbrido que integra un modelo de elementos finitos de mecánica de daño a mesoescala con una Red Neuronal Artificial para predecir de manera precisa y eficiente la iniciación y evolución del daño en laminados compuestos de disposición cruzada sometidos a impacto de baja velocidad.

Autores originales: Subhabrata Koley, Pravin Kumar Gaurav, Prithwish Kumar Das

Publicado 2026-07-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Subhabrata Koley, Pravin Kumar Gaurav, Prithwish Kumar Das

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un sándwich hecho no de pan y queso, sino de fibras de carbono súper resistentes y pegamento epoxi pegajoso, apilados en capas alternas como una lasaña de alta tecnología. Este es un laminado compuesto, el tipo de material que ayuda a construir aviones y coches porque es ligero pero resistente. Pero aquí está el truco: si dejas caer una herramienta pesada sobre él o si un pájaro lo golpea, podría parecer intacto por fuera mientras que, secretamente, se desmorona por dentro. Esto se llama "Daño por Impacto Apenas Visible" (BVID, por sus siglas en inglés), y es un problemático y escurridizo.

Los investigadores de este estudio querían construir una bola de cristal para predecir exactamente cómo y dónde comienza este daño cuando estos sándwiches reciben un golpe. No se limitaron a adivinar; construyeron una simulación digital masiva de su material y luego enseñaron a un cerebro informático a aprender de ella.

El Gemelo Digital: Un Castillo de Lego con Pegamento Secreto
Primero, el equipo construyó un modelo 3D de su sándwich de carbono-epoxi en un programa informático llamado ABAQUS. Piensa en esto como construir un castillo de Lego, pero en lugar de solo encajar piezas, añadieron una capa especial de "pegamento" súper fina entre cada uno de los ladrillos. En el mundo real, este pegamento es la resina que mantiene unidas las fibras.

Simularon un impacto de baja velocidad, que es como dejar caer una bola de acero pesada (1.52 kg) con un diámetro de 8 mm sobre el sándwich a una velocidad de 1.401 m/s. El sándwich que modelaron era de 80 mm por 40 mm, compuesto por diez capas, cada una de 0.125 mm de espesor.

La magia de su modelo fue cómo trató el daño. En lugar de simplemente decir "se rompió", programaron al ordenador para que entendiera que el "pegamento" (la resina) se comporta de manera diferente bajo presión que los "ladrillos" (las fibras). Utilizaron un conjunto complejo de reglas para rastrear cómo el material se aplasta, cómo empiezan las grietas y cómo se propagan dichas grietas. Descubrieron que cuando ocurre el impacto, el daño no se queda en un solo lugar. Crea una forma "trapezoidal" de capas rotas, algo así como una pirámide de vidrio destrozado que se extiende por el interior del sándwich. El peor daño ocurre justo debajo del punto de impacto y en las capas inferiores, donde el esfuerzo de flexión es mayor, mientras que las capas medias se mantienen un poco más seguras.

El Cerebro Informático: Aprendiendo de la Simulación
Simular este daño es como intentar resolver un rompecabezas de un millón de piezas en tiempo real; requiere mucha potencia de cálculo y tiempo. Por ello, los investigadores decidieron enseñar a una Red Neuronal Artificial (ANN) a realizar el trabajo pesado.

Piensa en la ANN como un estudiante súper inteligente. Primero, los investigadores le dieron al estudiante una enorme pila de tareas: datos de sus simulaciones informáticas detalladas y datos de experimentos del mundo real. Le pidieron al estudiante que aprendiera la conexión entre "con qué fuerza golpeamos" y "cuánto se rompe".

El estudiante aprendió increíblemente rápido. Después de entrenar con el 70% de los datos, revisar su trabajo con un 15% y ponerse a prueba con el 15% final, el estudiante obtuvo una calificación de 0.997 de 1.0. ¡Esa es una nota casi perfecta! Esto significa que la IA podía predecir el daño casi con la misma precisión que la lenta y pesada simulación informática, pero mucho, mucho más rápido.

Lo que Encontraron (y lo que No Encontraron)
El estudio demostró que su enfoque híbrido —combinando la física detallada de la simulación con la velocidad de la IA— funciona muy bien.

El Patrón de Daño: La simulación recreó con éxito el patrón de delaminación "trapezoidal" (donde las capas se separan) y mostró que el daño se extiende más ampliamente en las capas medias que en los bordes, pero la cantidad de daño disminuye a medida que se profundiza en el sándwich.
La Fuerza: Cuando compararon la predicción de la computadora sobre la fuerza que golpeó el sándwich contra experimentos reales, las curvas coincidieron muy de cerca. La fuerza alcanzó su punto máximo alrededor de los 5500 N, y la IA predijo este comportamiento con alta precisión.
Los Límites: El artículo es cuidadoso al señalar que, aunque la coincidencia es excelente, existen pequeñas diferencias. El modelo podría no captar cada una de las diminutas imperfecciones de un material real, porque la vida real tiene detalles desordenados que son difíciles de simular perfectamente.

La Conclusión Final
Esta investigación no pretende haber resuelto todos los misterios del daño en los compuestos para siempre. En cambio, sugiere una nueva y poderosa forma de abordar el problema. Al combinar un modelo riguroso basado en la física de cómo se rompe el material con una IA de aprendizaje rápido, crearon una herramienta capaz de predecir el inicio y la evolución del daño en laminados de disposición cruzada con una velocidad y precisión impresionantes.

Los autores concluyen que este método es una forma fiable de evaluar la salud estructural y diseñar estructuras con mejor resistencia al impacto para la industria aeroespacial y otras industrias. Es como darles a los ingenieros unas gafas de rayos X que pueden decirles instantáneamente si una herramienta caída ha arruinado secretamente el ala de un avión, sin tener que esperar días a que un ordenador lento procese todos los números.

Resumen Técnico: Un Marco de Mecánica de Daños a Mesoescala para la Predicción de la Iniciación de Daños en Laminados Compuestos de Cruz mediante Redes Neuronales Artificiales

Planteamiento del Problema

Los laminados compuestos se utilizan ampliamente en los sectores aeroespacial, automotriz y marino debido a su alta resistencia y rigidez específicas. Sin embargo, siguen siendo altamente susceptibles al Daño por Impacto de Baja Velocidad (BVID, por sus siglas en inglés) causado por eventos de baja velocidad como la caída de herramientas o el impacto de aves. Estos impactos inducen mecanismos de falla multiescala complejos —incluyendo la fisuración de la matriz, el despegue fibra-matriz, el pandeo de fibras y la delaminación interlaminar— que son difíciles de detectar mediante ensayos no destructivos convencionales. Los modelos computacionales existentes suelen depender de suposiciones constitutivas simplificadas o criterios de iniciación de daño predefinidos, lo que limita su capacidad para predecir con precisión la falla progresiva. Además, las simulaciones basadas en la física de alta fidelidad son computacionalmente costosas, lo que genera la necesidad de herramientas predictivas eficientes que no comprometan la precisión.

Metodología

El estudio propone un marco híbrido que integra un modelo de mecánica de daños a mesoescala basado en la física con una Red Neuronal Artificial (ANN) basada en datos.

1. Marco de Mecánica de Daños a Mesoescala

El modelo de elementos finitos (FE), implementado en ABAQUS/Explicit, trata el laminado de carbono/epoxi de cruz como un ensamblaje de capas individuales e interfaces interlaminares, cada una gobernada por leyes constitutivas independientes:

Modelado de Capas: El daño intralaminar se simula utilizando una formulación mejorada de mecánica de daño continuo basada en la densidad de energía de deformación hidrostática-desviatoria. La iniciación del daño se determina mediante criterios de falla basados en la deformación (deformación máxima para las fibras y un criterio de Hashin 3D reformulado para la matriz).
Modelado de Interfaces: Las interfaces interlaminares se modelan como capas cohesivas con una formulación acoplada de plasticidad-daño. Este enfoque tiene en cuenta el comportamiento no lineal y sensible a la presión de la resina rica en epoxi, descomponiendo el esfuerzo en componentes hidrostáticos y desviadores para capturar por separado las contribuciones de energía volumétrica y distorsional.
Evolución del Daño: Una fuerza de daño termodinámica ( $Y_d$ ) impulsa la evolución de una variable de daño escalar ( $d$ ). El modelo incorpora una formulación de deformación inelástica para dar cuenta de la deformación irreversible y asegura la irreversibilidad del daño mediante un operador de supremo.
Configuración de la Simulación: Se sometió un modelo de FE 3D de un laminado $[0/90]_4/0]_s$ ( $80 \times 40$ mm) a un impacto de baja velocidad mediante un percutor de acero hemisférico (1.52 kg, 1.401 m/s). Se aplicaron condiciones de contorno de simetría para modelar un cuarto de la estructura.

2. Integración de la Red Neuronal Artificial (ANN)

Para mejorar la eficiencia computacional, se desarrolló un modelo de ANN utilizando un conjunto de datos híbrido compuesto por resultados de simulaciones numéricas y datos experimentales.

Arquitectura: Se empleó un algoritmo de Levenberg–Marquardt para el entrenamiento en MATLAB. El conjunto de datos se dividió en 70% para entrenamiento, 15% para validación y 15% para prueba.
Objetivo: La ANN fue entrenada para capturar la relación no lineal entre los parámetros de impacto y la respuesta estructural resultante (iniciación y evolución del daño), evitando la necesidad de realizar repetidas y costosas simulaciones de FE para la predicción.

Resultados Clave

Morfología del Daño: El modelo de FE reprodujo con éxito los patrones de daño característicos observados en los experimentos, incluyendo el patrón de delaminación "trapezoidal" y la distribución específica del daño a través del espesor del laminado.
Distribución del Daño: Las simulaciones indicaron que el daño máximo ocurre cerca de la zona de impacto y en las capas inferiores debido a los esfuerzos inducidos por flexión. La intensidad del daño disminuye con la profundidad y la propagación del daño es más amplia en las capas medias en comparación con las capas de los bordes.
Validación: Las curvas de fuerza-tiempo y fuerza-desplazamiento simuladas mostraron una estrecha concordancia con los datos experimentales, particularmente en los rangos de desplazamiento medio a alto. El modelo capturó con precisión el comportamiento de ablandamiento no lineal asociado con la degradación de la rigidez.
Desempeño de la ANN: El modelo ANN logró un coeficiente de determinación ( $R^2$ ) de 0.997 en los conjuntos de datos de entrenamiento, validación y prueba. El histograma de error indicó que la mayoría de los errores de predicción se agruparon cerca de cero, demostrando una alta precisión y un sesgo mínimo.

Contribuciones Clave

Marco Híbrido: El estudio introduce una integración novedosa de un riguroso modelo de mecánica de daños a mesoescala 3D con una ANN, combinando la fidelidad física de la mecánica de daños con la velocidad del aprendizaje automático.
Formulación Constitutiva: El desarrollo de un modelo de plasticidad-daño acoplado para las interfaces y un modelo basado en la densidad de energía de deformación para las capas permite una representación más realista de la falla de la matriz sensible a la presión y la degradación intralaminar progresiva sin depender de defectos predefinidos.
Eficiencia Computacional: El enfoque híbrido FE–ANN reduce significativamente los costos computacionales manteniendo una alta precisión en la predicción, ofreciendo una herramienta viable para la evaluación rápida de daños.

Significado y Reivindicaciones

Los autores afirman que esta metodología proporciona un enfoque robusto y eficiente para predecir el daño inducido por impacto en laminados compuestos. Al capturar con precisión la relación no lineal entre los parámetros de impacto y la respuesta estructural, el marco ofrece un potencial significativo para:

Monitoreo de la Salud Estructural: Permitiendo la evaluación rápida de los estados de daño.
Evaluación de Daños: Proporcionando predicciones fiables de la iniciación y evolución del daño.
Optimización del Diseño: Facilitando el diseño de estructuras compuestas resistentes al impacto para aplicaciones aeroespaciales y de ingeniería relacionada.

El documento enfatiza que la estrecha concordancia entre las predicciones numéricas, los resultados de la ANN y las observaciones experimentales valida la fiabilidad del marco híbrido propuesto, posicionándolo como una herramienta físicamente significativa para aplicaciones de ingeniería donde tanto la precisión como la eficiencia son críticas.