⚡ 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 estudo propõe uma estrutura híbrida que integra um modelo de elementos finitos de mecânica de danos em mesoescala com uma Rede Neural Artificial para prever de forma precisa e eficiente a iniciação e evolução de danos em laminados compostos de camadas cruzadas submetidos a impacto de baixa velocidade.

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

Publicado 2026-07-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um sanduíche feito não de pão e queijo, mas de fibras de carbono superfortes e cola epóxi pegajosa, empilhados em camadas alternadas como uma lasanha de alta tecnologia. Este é um laminado composto, o tipo de material que ajuda a construir aviões e carros porque é leve, mas resistente. Mas aqui está o problema: se você derrubar uma ferramenta pesada sobre ele ou se ele for atingido por um pássaro, pode parecer intacto por fora enquanto, secretamente, está se desfazendo por dentro. Isso é chamado de "Dano de Impacto Pouco Visível" (BVID, na sigla em inglês), e é um encrenqueiro sorrateiro.

Os pesquisadores neste estudo queriam construir uma bola de cristal para prever exatamente como e onde esse dano começa quando esses sanduíches são atingidos. Eles não apenas adivinharam; eles construíram uma simulação digital massiva do material e depois ensinaram um cérebro de computador a aprender com ela.

O Gêmeo Digital: Um Castelo de Lego com Cola Secreta
Primeiro, a equipe construiu um modelo 3D de seu sanduíche de carbono-epóxi em um programa de computador chamado ABAQUS. Pense nisso como construir um castelo de Lego, mas em vez de apenas encaixar os blocos, eles adicionaram uma camada especial de "cola" super fina entre cada um dos blocos. No mundo real, essa cola é a resina que mantém as fibras unidas.

Eles simularam um impacto de baixa velocidade, que é como deixar cair uma bola de aço pesada (1,52 kg) com um diâmetro de 8 mm sobre o sanduíche a uma velocidade de 1,401 m/s. O sanduíche que eles modelaram tinha 80 mm por 40 mm, feito de dez camadas, cada uma com 0,125 mm de espessura.

A magia do modelo deles foi como tratou o dano. Em vez de apenas dizer "quebrou", eles programaram o computador para entender que a "cola" (a resina) se comporta de forma diferente sob pressão do que os "blocos" (as fibras). Eles usaram um conjunto complexo de regras para rastrear como o material é esmagado, como o dano começa e como essas rachaduras se espalham. Eles descobriram que, quando o impacto acontece, o dano não fica apenas em um lugar. Ele cria um formato "trapezoidal" de camadas quebradas, tipo uma pirâmide de vidro estilhaçado se espalhando dentro do sanduíche. O pior dano ocorre logo abaixo do ponto de impacto e nas camadas inferiores, onde a tensão de flexão é maior, enquanto as camadas do meio permanecem um pouco mais seguras.

O Cérebro de Computador: Aprendendo com a Simulação
Simular este dano é como tentar resolver um quebra-cabeça de um milhão de peças em tempo real; isso exige muita capacidade de processamento e tempo. Por isso, os pesquisadores decidiram ensinar uma Rede Neural Artificial (ANN) a fazer o trabalho pesado.

Pense na ANN como um aluno superinteligente. Primeiro, os pesquisadores alimentaram o aluno com uma enorme pilha de lição de casa: dados de suas simulações detalhadas por computador e dados de experimentos do mundo real. Eles pediram ao aluno para aprender a conexão entre "o quão forte batemos" e "o quanto quebramos".

O aluno aprendeu incrivelmente rápido. Após treinar com 70% dos dados, verificar seu próprio trabalho com 15% e testar a si mesmo com os 15% finais, o aluno obteve uma nota de 0,997 de 1,0. Essa é uma nota quase perfeita! Isso significa que a IA podia prever o dano quase tão precisamente quanto a simulação de computador lenta e pesada, mas muito, muito mais rápido.

O Que Eles Descobriram (e o Que Não Descobriram)
O estudo mostrou que sua abordagem híbrida — combinando a física detalhada da simulação com a velocidade da IA — funciona muito bem.

O Padrão de Dano: A simulação recriou com sucesso o padrão de delaminação "trapezoidal" (onde as camadas se separam) e mostrou que o dano se espalha mais amplamente nas camadas do meio do que nas bordas, mas a quantidade de dano diminui à medida que se vai para as camadas mais profundas do sanduíche.
A Força: Quando compararam a previsão do computador sobre a força que atingiu o sanduíche contra experimentos reais, as curvas coincidiram muito de perto. A força atingiu o pico em torno de 5500 N, e a IA previu esse comportamento com alta precisão.
Os Limites: O artigo é cuidadoso ao notar que, embora a correspondência seja ótima, existem pequenas diferenças. O modelo pode não captar cada pequena imperfeição em um material real, porque a vida real tem detalhes bagunçados que são difíceis de simular perfeitamente.

A Conclusão
Esta pesquisa não afirma ter resolvido todos os mistérios do dano em compostos para sempre. Em vez disso, ela sugere uma nova maneira poderosa de olhar para o problema. Ao combinar um modelo rigoroso, baseado em física, de como o material quebra com uma IA de aprendizado rápido, eles criaram uma ferramenta capaz de prever o início e a evolução do dano em laminados de camadas cruzadas com velocidade e precisão impressionantes.

Os autores concluem que este método é uma forma confiável de avaliar a integridade estrutural e projetar estruturas melhores e mais resistentes a impactos para a indústria aeroespacial e outras áreas. É como dar aos engenheiros óculos de raio-X que podem dizer instantaneamente se uma ferramenta derrubada arruinou secretamente a asa de um avião, sem ter que esperar dias para um computador lento processar os números.

Resumo Técnico: Uma Estrutura de Mecânica de Dano em Mesoescala para Predição da Iniciação de Dano em Laminados Compósitos de Cruzamento de Camadas sob Impacto de Baixa Velocidade Usando Redes Neurais Artificiais

Definição do Problema

Laminados compósitos são amplamente utilizados nos setores aeroespacial, automotivo e marítimo devido à sua alta resistência e rigidez específicas. No entanto, eles permanecem altamente suscetíveis ao Dano de Impacto Pouco Visível (BVID, na sigla em inglês) causado por eventos de baixa velocidade, como a queda de ferramentas ou colisões com pássaros. Esses impactos induzem mecanismos de falha multiescala complexos — incluindo fissuração da matriz, descolamento fibra-matriz, encurvamento de fibras (kinking) e delaminação interlaminar — que são difíceis de detectar via ensaios não destrutivos convencionais. Os modelos computacionais existentes frequentemente dependem de suposições constitutivas simplificadas ou critérios de iniciação de dano predefinidos, limitando sua capacidade de prever com precisão a falha progressiva. Além disso, simulações baseadas em física de alta fidelidade são computacionalmente dispendiosas, criando a necessidade de ferramentas preditivas eficientes que não comprometam a precisão.

Metodologia

O estudo propõe uma estrutura híbrida integrando um modelo de mecânica de dano em mesoescala baseado em física com uma Rede Neural Artificial (ANN) orientada por dados.

1. Estrutura de Mecânica de Dano em Mesoescala

O modelo de elementos finitos (FE), implementado no ABAQUS/Explicit, trata o laminado de carbono/epóxi de cruzamento de camadas como um conjunto de camadas individuais e interfaces interlaminares, cada uma governada por leis constitutivas independentes:

Modelagem de Camada (Ply): O dano intralaminar é simulado usando uma formulação de mecânica de dano contínuo aprimorada baseada na densidade de energia de deformação hidrostática–deviatória. A iniciação do dano é determinada por critérios de deformação (deformação máxima para fibras e um critério de Hashin 3D reformulado para a matriz).
Modelagem de Interface: As interfaces interlaminares são modeladas como camadas coesivas com uma formulação acoplada de plasticidade–dano. Esta abordagem considera o comportamento não linear e sensível à pressão da resina rica em epóxi, decompondo a tensão em componentes hidrostáticos e desviatórias para capturar separadamente as contribuições de energia volumétrica e distorcional.
Evolução do Dano: Uma força de dano termodinâmica ( $Y_d$ ) impulsiona a evolução de uma variável de dano escalar ( $d$ ). O modelo incorpora uma formulação de deformação inelástica para considerar a deformação irreversível e garante a irreversibilidade do dano através de um operador supremo.
Configuração da Simulação: Um modelo de FE 3D de um laminado $[0/90]_4/0]_s$ ( $80 \times 40$ mm) foi submetido a impacto de baixa velocidade por um percutor de aço hemisférico (1,52 kg, 1,401 m/s). Condições de contorno de simetria foram aplicadas para modelar um quarto da estrutura.

2. Integração de Rede Neural Artificial (ANN)

Para aumentar a eficiência computacional, um modelo de ANN foi desenvolvido utilizando um conjunto de dados híbrido composto por resultados de simulação numérica e dados experimentais.

Arquitetura: Um algoritmo de Levenberg–Marquardt foi empregado para o treinamento no MATLAB. O conjunto de dados foi dividido em 70% para treinamento, 15% para validação e 15% para teste.
Objetivo: A ANN foi treinada para capturar a relação não linear entre os parâmetros de impacto e a resposta estrutural resultante (iniciação e evolução do dano), evitando a necessidade de repetições exaustivas de simulações de FE para predição.

Principais Resultados

Morfologia do Dano: O modelo de FE reproduziu com sucesso os padrões de dano característicos observados em experimentos, incluindo o padrão de delaminação "trapezoidal" e a distribuição específica de dano através da espessura do laminado.
Distribuição de Dano: As simulações indicaram que o dano máximo ocorre próximo à zona de impacto e nas camadas inferiores devido às tensões induzidas pela flexão. A intensidade do dano diminui com o aumento da profundidade, e a propagação do dano é mais larga nas camadas médias em comparação com as camadas de borda.
Validação: As curvas de força–tempo e força–deslocamento simuladas mostraram concordância próxima com os dados experimentais, particularmente nos intervalos de deslocamento médio a alto. O modelo capturou com precisão o comportamento de amolecimento não linear associado à degradação da rigidez.
Desempenho da ANN: O modelo ANN alcançou um coeficiente de determinação ( $R^2$ ) de 0,997 nos conjuntos de dados de treinamento, validação e teste. O histograma de erro indicou que a maioria dos erros de predição estava agrupada próximo a zero, demonstrando alta precisão e viés mínimo.

Principais Contribuições

Estrutura Híbrida: O estudo introduz uma integração inovadora de um rigoroso modelo de mecânica de dano em mesoescala 3D com uma ANN, combinando a fidelidade física da mecânica de dano com a velocidade do aprendizado de máquina.
Formulação Constitutiva: O desenvolvimento de um modelo acoplado de plasticidade–dano para interfaces e um modelo baseado na densidade de energia de deformação para camadas permite uma representação mais realista da falha da matriz sensível à pressão e da degradação intralaminar progressiva sem depender de defeitos predefinidos.
Eficiência Computacional: A abordagem híbrida FE–ANN reduz significativamente os custos computacionais enquanto mantém alta precisão de predição, oferecendo uma ferramenta viável para avaliação rápida de danos.

Significância e Alegações

Os autores afirmam que esta metodologia fornece uma abordagem robusta e eficiente para prever o dano induzido por impacto em laminados compósitos. Ao capturar com precisão a relação não linear entre os parâmetros de impacto e a resposta estrutural, a estrutura oferece potencial significativo para:

Monitoramento de Integridade Estrutural: Permitindo a avaliação rápida dos estados de dano.
Avaliação de Dano: Fornecendo predições confiáveis de iniciação e evolução de danos.
Otimização de Design: Facilitando o projeto de estruturas compósitas resistentes ao impacto para aplicações aeroespaciais e outras engenharias relacionadas.

O artigo enfatiza que a concordância próxima entre as predições numéricas, os resultados da ANN e as observações experimentais valida a confiabilidade da estrutura híbrida proposta, posicionando-a como uma ferramenta fisicamente significativa para aplicações de engenharia onde precisão e eficiência são críticas.