Supervised machine learning framework for the analysis of contacting solids under inelastic strains
Autor(a)
Flávio, Paulo Guilherme Marques
Orientador(a) Coorientador(a)
Doca, Thiago de Carvalho Rodrigues
Data de aceite
2024-07-09
Data de disponibilizacao
2024-07-09
Data de publicacao
2024-07-09
Data de defesa submissao
2023-03-31
Citacao
FLÁVIO, Paulo Guilherme Marques. Supervised machine learning framework for the analysis of contacting solids under inelastic strains. 2023. 133 f., il. Tese (Doutorado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.
Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2023.
Resumo Portugues
As Redes Neurais Artificiais (RNA) podem ser entendidas como um sistema computacional complexo formado por uma série de elementos de processamento interconectados
inspirados nas Redes Neurais Biológicas, que têm como finalidade o processamento de informações com o objetivo de gerar uma resposta. Este estudo visa combinar as capacidades
de RNA’s e Elementos Finitos, desenvolvida por meio de algoritmos de aprendizado supervisionado para prever o comportamento mecânico e as propriedades materiais através
de modelos constitutivos para metais e polímeros. A avaliação dos polímeros restringe-se a
polímeros termoplásticos e adota-se um modelo elasto-viscoplástico baseado no modelo constitutivo de Mulliken-Boyce. A implementação do modelo é realizada via sub-rotinas VUMAT (integração explícita) no software comercial ABAQUS® para o estudo de compressão
uniaxial em grandes deformações. As previsões desejadas para o estudo dos polímeros
avaliados são: (1) Previsão dos parâmetros materiais do modelo constitutivo modificado
de Mulliken-Boyce implementado, a partir da curva tensão-deformação experimental e (2)
previsão da curva tensão-deformação a partir das propriedades do material. O estudo dos
metais é baseado em testes de indentação em grandes deformações. A equação de Ludwik
é adotada para a descrição do comportamento mecânico e é implementada via integração
implícita no mesmo software comercial. As predições almejadas para os metais são: (1)
predição da curva tensão-deformação a partir da curva deslocamento-força obtida através
do teste de indentação e (2) predição da curva deslocamento-força, indentação residual e
pressão de contato a partir das principais propriedades mecânicas de metais. Todas as
previsões são realizadas através da implementação de redes neurais via treinamento supervisionado. O desempenho das previsões feitas para todos os casos avaliados mostra boa
acurácia com uma redução significativa no tempo de processamento em comparação com
implementações via Elemento Finito.
Resumo Ingles
Artificial Neural Networks (ANN) can be understood as a complex computing system
made up of a series of interconnected processing elements inspired by the Biological Neural
Networks that have the purpose of processing information aiming to generate a response.
This study aims to combine the capabilities of ANN’s, developed using a supervised learning
algorithm for predicting the mechanical behavior and material properties of the respective
rheological models adopted for metallic and polymeric materials. The evaluation of the
polymers is restricted to thermoplastic polymers and a elastic-viscoplastic model based on
the Mulliken-Boyce constitutive model is adopted. The implementation of the model is carried out via VUMAT subroutines (explicit integration) in the commercial software ABAQUS
for the study of uniaxial compression in large deformations. The desired predictions for the
study of the evaluated polymers are: (1) Prediction of the material parameters of the modified constitutive model of Mulliken-Boyce implemented from the experimental stress-strain
curve and (2) prediction of the stress-strain curve from the material parameters. The study
of metals is based on indentation tests at large deformations. Ludwik equation is adopted
for the description of the mechanical behavior and is implemented via implicit integration
in the same commercial software. The desired predictions for metals are: (1) prediction of
the stress-strain curve from the displacement-force curve obtained through indentation test
and (2) prediction of the displacement-force curve, residual indentation, and contact pressure from the main mechanical properties of metals. All predictions are performed through
the implementation of deep neural networks and supervised training. The results achieved
are satisfactory, the performance of the predictions made for all evaluated cases show good
accuracy with a significant reduction in processing time compared to implementations via
Finite Element.
Unidade academica
Faculdade de Tecnologia (FT)
Departamento
Departamento de Engenharia Mecânica (FT ENM)
Programa de Pos-Graduacao
Programa de Pós-Graduação em Ciências Mecânicas
Idioma
eng
Tipo de documento
Tese
Formato
application/pdf
Direitos de acesso
Acesso Aberto
Termo de licenca
A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br,www.ibict.br,http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
