🔬 physics

Constitutive Modeling Method for AM 316 Based on Johnson-Cook Guided PCA-MLP Residual Learning

Este artículo propone un enfoque de modelado constitutivo basado en datos e informado por la física que combina el modelo de Johnson–Cook con el aprendizaje de residuos mediante PCA-MLP para lograr predicciones de alta precisión y estabilidad del esfuerzo de fluencia dinámico para acero inoxidable 316L fabricado mediante adición de capas a través de diversas temperaturas y velocidades de deformación.

Autores originales: zequn lv, an he, jining li, yihang fan, hang zhao, yongshuo xu, wenchang fu, yingbo wang, xiangyong li

Publicado 2026-09-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: zequn lv, an he, jining li, yihang fan, hang zhao, yongshuo xu, wenchang fu, yingbo wang, xiangyong li

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 material lo suficientemente fuerte como para sostener un motor de un avión, lo suficientemente resistente como para sobrevivir a las profundidades corrosivas del océano y lo suficientemente flexible como para ser moldeado en piezas complejas y ligeras que la fabricación tradicional simplemente no puede crear. Este es el acero inoxidable 316L fabricado mediante la manufactura aditiva, un proceso donde el metal se construye capa por capa, de forma muy similar a una impresora 3D. Si bien esta tecnología ofrece una libertad de diseño increíble, la forma en que el metal se comporta cuando recibe un impacto fuerte o se calienta rápidamente es sorprendentemente diferente a la del mismo acero fabricado en una fábrica. Cuando este material se somete a condiciones extremas de impacto de alta velocidad o calor intenso, su estructura interna cambia de formas complejas, provocando que se endurezca, se ablande y fluya en patrones que son difíciles de predecir. Los ingenieros necesitan saber exactamente cómo reaccionará este material para asegurar que las aeronaves, los componentes nucleares o los sistemas de defensa construidos con él no fallen cuando más se necesite.

Durante décadas, los científicos han dependido de fórmulas matemáticas para adivinar cómo se comportarán los metales bajo tal estrés. Una de las fórmulas más famosas de estas, conocida como el modelo de Johnson-Cook, trata los efectos del estiramiento, la velocidad y el calor como factores separados que simplemente se multiplican entre sí. Sin embargo, para este tipo específico de acero impreso en 3D, la realidad es mucho más enredada. El calor generado por la deformación del metal, la velocidad a la que se estira y los cambios microscópicos dentro del metal influyen entre sí de una manera que las fórmulas simples no pueden capturar. Por otro lado, los programas informáticos modernos que aprenden de los datos, conocidos como aprendizaje automático (machine learning), pueden encontrar patrones complejos, pero a menudo tienen dificultades cuando no disponen de suficientes ejemplos para estudiar. Pueden memorizar los datos que se les dan, pero fallan al hacer predicciones precisas sobre situaciones nuevas, como temperaturas que nunca han visto antes.

Para resolver este rompecabezas, un equipo de investigadores de universidades de China desarrolló un nuevo enfoque que combina lo mejor de ambos mundos. Comenzaron con la fórmula tradicional de Johnson-Cook para proporcionar una base física sólida —un boceto aproximado de cómo debería comportarse el metal—. Luego, en lugar de intentar forzar a una computadora a aprender toda la compleja historia desde cero, le pidieron a la computadora que se concentrara únicamente en los errores que cometía la fórmula tradicional. Calcularon la diferencia entre lo que la fórmula predecía y lo que realmente sucedía en sus experimentos, creando una "residual" o una curva de error sobrante. Esta curva sobrante representa las interacciones complejas y ocultas que la fórmula simple no pudo captar.

Posteriormente, los investigadores utilizaron una técnica matemática ingeniosa para simplificar estas curvas sobrantes. Imaginen tomar una línea larga y ondulada y encontrar solo unas pocas formas clave que, al sumarse, recrean la línea completa. Este proceso, llamado análisis de componentes principales, les permitió convertir una enorme cantidad de datos en un conjunto pequeño y manejable de números. Luego entrenaron una red neuronal, un tipo de programa informático diseñado para reconocer patrones, para predecir estos pocos números clave basados en la temperatura y la velocidad del impacto. Una vez que la computadora predijo los números, los investigadores utilizaron estos para reconstruir la curva completa y corregida, y la añadieron de nuevo a la fórmula original. El resultado fue un modelo híbrido que mantuvo la fiabilidad física de la fórmula antigua, pero utilizando los datos para corregir sus errores específicos.

El equipo probó este nuevo método en acero inoxidable 316L que había sido impreso mediante un proceso de deposición de energía dirigida por láser. Sometieron al metal a pruebas de compresión de alta velocidad a diversas temperaturas, que oscilaban entre los 150 grados Celsius y los 620 grados Celsius, y a velocidades de deformación tan altas como 5,000 por segundo. Para probar verdaderamente la capacidad de generalización del modelo, deliberadamente dejaron fuera dos temperaturas específicas, 272 grados Celsius y 450 grados Celsius, de los datos de entrenamiento. Querían ver si el modelo podía predecir con precisión el comportamiento del metal a estas temperaturas no vistas sin haber visto nunca un ejemplo de ellas.

Los resultados fueron impactantes. Cuando se le pidió al modelo que predijera el comportamiento del metal a 272 grados Celsius, alcanzó una puntuación de precisión promedio de 0.9306, con un error promedio de apenas 1.97 por ciento. A 450 grados Celsius, el rendimiento fue incluso mejor, con una puntuación de precisión de 0.9538 y un error promedio de solo 1.63 por ciento. En contraste, la fórmula tradicional por sí sola funcionó mal en estas temperaturas no vistas, produciendo a menudo errores que eran más de diez veces mayores. Incluso los modelos de aprendizaje puro por computadora, que intentaron aprender todo el comportamiento sin la ayuda de la fórmula física, tuvieron dificultades significativas, llegando a veces a no capturar la tendencia correcta por completo. El nuevo método híbrido, sin embargo, mantuvo una alta precisión y estabilidad en todas las condiciones, reconstruyendo con éxito el complejo flujo de tensión y deformación incluso para temperaturas que nunca había encontrado.

Este trabajo demuestra que, al guiar una poderosa herramienta impulsada por datos con una base física confiable, los científicos pueden crear modelos que sean tanto precisos como fiables, incluso cuando los datos son escasos. Los investigadores descubrieron que su método no solo memoriza experimentos pasados, sino que aprende las reglas subyacentes de cómo el material se desvía de las expectativas simples. Este enfoque ofrece un camino práctico para los ingenieros que necesitan simular y diseñar con materiales avanzados, asegurando que la próxima generación de sistemas aeroespaciales y de energía pueda construirse con confianza. El estudio confirma que, para materiales complejos como el acero impreso en 3D, el futuro de la predicción no reside en elegir entre la física y los datos, sino en entrelazarlos para que cada uno fortalezca al otro.

Resumen Técnico: Método de Modelado Constitutivo para AM 316 Basado en el Aprendizaje de Residuos mediante PCA-MLP Guiado por Johnson-Cook

Planteamiento del Problema
La predicción precisa del esfuerzo de fluencia dinámico para el acero inoxidable 316 fabricado mediante manufactura aditiva (AM) bajo altas temperaturas y altas velocidades de deformación es esencial para la evaluación de la seguridad en servicio y la optimización de procesos. Sin embargo, los modelos constitutivos empíricos convencionales, como el modelo de Johnson-Cook (JC), a menudo no logran capturar el complejo acoplamiento termomecánico y las interacciones no lineales inherentes a los materiales de AM debido a su heterogeneidad microestructural (por ejemplo, granos columnares, subestructuras celulares). Por el contrario, los modelos puramente basados en datos (por ejemplo, Perceptrones Multicapa o MLPs) tienen dificultades con la generalización cuando se entrenan con conjuntos de datos pequeños, careciendo a menudo de consistencia física y exhibiendo inestabilidad en condiciones no vistas. El desafío radica en desarrollar una estrategia de modelado que conserve la interpretabilidad física de los modelos empíricos mientras aprovecha las capacidades de ajuste no lineal del aprendizaje automático para corregir desviaciones sistemáticas.

Metodología
Los autores proponen un marco híbrido denominado JC-PCA-MLP, que integra una base física con el aprendizaje de residuos basado en datos. La metodología procede a través de los siguientes pasos:

Base Física (Johnson-Cook): Se emplea el modelo clásico JC para generar una predicción base del esfuerzo de fluencia. Este modelo captura las tendencias físicas dominantes del endurecimiento por deformación, el endurecimiento por velocidad de deformación y el ablandamiento térmico, pero se reconoce que es insuficiente para los complejos efectos de acoplamiento en el AM 316L.
Construcción de Residuos: La diferencia entre el esfuerzo de fluencia medido experimentalmente y el esfuerzo predicho por el modelo JC se define como la "curva de residuo". Esto desplaza la tarea de aprendizaje de la predicción de toda la curva esfuerzo-deformación hacia la predicción de la desviación de la base física.
Reducción de Dimensionalidad (PCA): Para abordar la alta dimensionalidad de las curvas completas de esfuerzo-deformación y las limitaciones de los tamaños de muestra pequeños, se aplica el Análisis de Componentes Principales (PCA) a las curvas de residuo. Esto reduce los datos de los residuos a un pequeño conjunto de coeficientes de componentes principales, preservando los patrones de variación dominantes de los residuos.
Aprendizaje Automático (MLP): Se entrena un Perceptrón Multicapa (MLP) para mapear las características de entrada (temperatura, velocidad de deformación y sus términos de interacción) a los coeficientes PCA de los residuos. Las características de entrada incluyen velocidades de deformación logarítmicas y términos cuadráticos de temperatura para capturar mejor las variaciones no lineales.
Reconstrucción de la Curva: La curva de esfuerzo-deformación final predicha se reconstruye superponiendo el residuo predicho por el MLP (reconstruido mediante la transformación inversa de PCA) sobre la base de JC.
Estrategia de Entrenamiento: El modelo utiliza una función de pérdida compuesta que minimiza simultáneamente el error en la predicción de los coeficientes PCA y el error de reconstrucción de las curvas finales de esfuerzo-deformación.

Validación Experimental
El estudio utilizó datos de compresión dinámica de pruebas de Barra de Presión de Hopkinson Dividida (SHPB) en acero inoxidable AM 316L fabricado mediante Deposición de Energía Dirigida por Láser (L-DED). El conjunto de datos cubrió temperaturas de 150 °C, 272 °C, 450 °C y 620 °C, y velocidades de deformación de 3000 s⁻¹, 4000 s⁻¹ y 5000 s⁻¹.
Para probar rigurosamente la generalización, se empleó una estrategia de validación de "dejar fuera una temperatura intermedia" (leave-one-intermediate-temperature-out). El modelo fue entrenado con datos de tres temperaturas y probado en una temperatura intermedia no vista (ya sea 272 °C o 450 °C), asegurando que no hubiera fuga de datos del conjunto de prueba hacia el conjunto de entrenamiento, la descomposición PCA o la construcción de la rejilla.

Resultados Clave
El modelo JC-PCA-MLP demostró un rendimiento superior en comparación con el modelo JC independiente, un MLP puro y un modelo PCA-MLP sin una base física:

A 272 °C (No visto): El modelo logró un $R^2$ promedio de 0.9306 y un Error Absoluto Relativo Promedio (AARE) del 1.97%. El $R^2$ mínimo fue de 0.8779.
A 450 °C (No visto): El modelo logró un $R^2$ promedio de 0.9538 y un AARE del 1.63%. El $R^2$ mínimo fue de 0.8909.
Rendimiento Comparativo:
- El modelo JC independiente funcionó deficientemente en temperaturas no vistas (Promedio de $R^2$ < 0.45), exhibiendo desviaciones sistemáticas significativas.
- El modelo MLP puro mostró inestabilidad, con un rendimiento que se degradó significativamente a 450 °C (Promedio de $R^2$ = 0.2386).
- El modelo PCA-MLP (sin la base de JC) mejoró respecto al MLP, pero aún carecía de la estabilidad y precisión del enfoque híbrido, particularmente en el mantenimiento de valores altos de $R^2$ mínimo.

Significancia y Reivindicaciones
El artículo afirma que el marco JC-PCA-MLP ofrece una estrategia de modelado constitutivo basada en datos e informada por la física eficiente. Su importancia radica en la combinación sinérgica de tres elementos:

Guía Física: El uso del modelo JC como base asegura que la predicción se adhiera a las tendencias físicas fundamentales, reduciendo la carga de aprendizaje de la red neuronal.
Aprendizaje de Residuos: Al centrar el MLP en corregir los errores sistemáticos del modelo JC en lugar de aprender la curva completa, el modelo logra una mayor precisión con datos limitados.
Reducción de Dimensionalidad: El uso de PCA impone restricciones globales a la forma de la curva, evitando las oscilaciones locales y el sobreajuste comunes en las predicciones de redes neuronales punto a punto.

Los autores concluyen que este método mejora efectivamente la precisión y la estabilidad de la predicción para el acero inoxidable AM 316L bajo condiciones de alta temperatura y alta velocidad de deformación, proporcionando un enfoque viable para el modelado constitutivo donde los datos experimentales son escasos. Sugieren que esta estrategia podría servir como referencia para la predicción del esfuerzo de fluencia en otros materiales metálicos fabricados mediante manufactura aditiva.

Más como este