Optimización de Datos Térmicos a Través de la Reducción de la Incertidumbre en la Estimación de Límites de Fatiga: Un Marco TCM-ANN para Acero C45
Autores: Corsaro, Luca; Abyaneh, Mohsen Dehghanpour; Javadi, Mohammad Sadegh; Curà, Francesca; Sesana, Raffaella
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Termografía pasiva
Aprendizaje automático
Ciencia de materiales
Análisis de fatiga
Red neuronal artificial
Límite de fatiga
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 5
Citaciones: Sin citaciones
La combinación de la termografía pasiva y el aprendizaje automático en la ciencia y la ingeniería de materiales permite un progreso rápido en el análisis avanzado de fatiga. Centrándose en los aspectos mecánicos, la combinación de estos enfoques es capaz de interpolar la resistencia a la fatiga en diversas condiciones con datos mínimos, en comparación con la solución clásica, en la que los análisis se realizan utilizando procesos estadísticos como el Método de Escalera. A pesar de que el incremento térmico y el área térmica son parámetros cruciales para el análisis del límite de fatiga, la implementación de la interpolación mediante aprendizaje automático mejora la consistencia de los datos y reduce la variabilidad en la estimación del límite de fatiga a través de la reducción de la incertidumbre de repetibilidad Tipo-A. De esta manera, la red neuronal artificial de dos capas no tiene ninguna forma predefinida de funciones; en segundo lugar, mantiene las características no lineales inherentes de los datos. La validación del enfoque propuesto se llevó a cabo para un acero C45, y se realizaron dos campañas experimentales diferentes utilizando una máquina resonante. Al final, el análisis del límite de fatiga se realizó mediante un Método de Dos Curvas asistido por interpolación, partiendo de la evolución de los datos térmicos clásicos debidamente optimizados con un enfoque de aprendizaje automático, logrando un resultado más preciso en la estimación del límite de fatiga.
Descripción
La combinación de la termografía pasiva y el aprendizaje automático en la ciencia y la ingeniería de materiales permite un progreso rápido en el análisis avanzado de fatiga. Centrándose en los aspectos mecánicos, la combinación de estos enfoques es capaz de interpolar la resistencia a la fatiga en diversas condiciones con datos mínimos, en comparación con la solución clásica, en la que los análisis se realizan utilizando procesos estadísticos como el Método de Escalera. A pesar de que el incremento térmico y el área térmica son parámetros cruciales para el análisis del límite de fatiga, la implementación de la interpolación mediante aprendizaje automático mejora la consistencia de los datos y reduce la variabilidad en la estimación del límite de fatiga a través de la reducción de la incertidumbre de repetibilidad Tipo-A. De esta manera, la red neuronal artificial de dos capas no tiene ninguna forma predefinida de funciones; en segundo lugar, mantiene las características no lineales inherentes de los datos. La validación del enfoque propuesto se llevó a cabo para un acero C45, y se realizaron dos campañas experimentales diferentes utilizando una máquina resonante. Al final, el análisis del límite de fatiga se realizó mediante un Método de Dos Curvas asistido por interpolación, partiendo de la evolución de los datos térmicos clásicos debidamente optimizados con un enfoque de aprendizaje automático, logrando un resultado más preciso en la estimación del límite de fatiga.