Simple Science

Ciência de ponta explicada de forma simples

# Informática# Engenharia, finanças e ciências computacionais

Avanços na Análise do Comportamento dos Materiais

Um novo método melhora as previsões do comportamento dos materiais sob carga.

― 4 min ler


Nova Método para AnalisarNova Método para Analisaro Comportamento dosMateriaiseficiência na engenharia.Previsões simplificadas melhoram a
Índice

No mundo da engenharia, entender como os materiais se comportam sob carga é essencial. Quando os materiais se deformam, especialmente os metais, eles podem não só esticar ou comprimir, mas também se deformar permanentemente ou mudar de forma. Isso é ainda mais verdade em condições complexas, como quando há furos ou entalhes. Os engenheiros frequentemente precisam prever como esses materiais vão se comportar ao longo do tempo e sob estresse repetido.

O Problema com Métodos Tradicionais

Tradicionalmente, os engenheiros usam métodos como Análise de Elementos Finitos (FEA) para simular como os materiais vão se comportar. A FEA ajuda a dividir estruturas em partes menores, facilitando a análise. Mas, quando os materiais passam por Deformação Plástica, que é uma mudança permanente de forma, os cálculos podem levar muito tempo e recursos.

Uma Nova Abordagem

Para acelerar o processo, uma nova técnica chamada algoritmo de correção plástica local foi introduzida. Esse método permite que os engenheiros aproximem rapidamente o comportamento completo dos materiais em condições complexas sem precisar executar simulações detalhadas para cada condição de carga.

Como Funciona o Novo Método

O novo método se baseia em técnicas existentes, mas as simplifica. Ele usa uma abordagem conhecida chamada regra de Neuber, que ajuda a relacionar o comportamento elástico ao comportamento plástico. Em vez de realizar uma simulação completa para cada ciclo de carga, esse método permite que um único cálculo elástico seja ajustado para prever a resposta plástica.

O novo método também incorpora um recurso que permite que os engenheiros analisem como os materiais respondem a cargas que mudam ao longo do tempo, o que é típico em aplicações do mundo real. Isso é particularmente útil para estruturas com defeitos, como poros ou entalhes, onde o estresse tende a se concentrar.

Aplicações do Método

O método tem aplicações práticas em muitos campos, como aerospace, automotivo e engenharia civil. Por exemplo, na indústria automotiva, os engenheiros precisam garantir que os componentes dos carros permaneçam seguros mesmo após anos de uso. A capacidade de prever como uma peça vai se comportar sob carga sem cálculos extensivos economiza tempo e recursos.

Testando a Nova Abordagem

Para validar esse método, testes foram realizados em estruturas com vários defeitos. Os resultados mostraram que o novo algoritmo podia prever como esses materiais se comportariam sob diferentes Condições de Carga com uma precisão razoável.

Análise de Erros

Embora o novo método melhore a eficiência, é importante entender suas limitações. Erros podem ocorrer, especialmente sob condições de carga complexas ou quando os materiais experimentam muita deformação plástica. O novo método nem sempre captura os efeitos completos da redistribuição do estresse, levando a superestimações ou subestimações de como os materiais vão se comportar na prática.

Melhorias com Aprendizado de Máquina

Para melhorar ainda mais a precisão, os pesquisadores estão explorando a combinação do novo método com ferramentas de aprendizado de máquina. Ao treinar modelos com simulações passadas, essas ferramentas podem aprender a corrigir as aproximações feitas pelo algoritmo de correção plástica local. Isso significa que, à medida que mais dados se tornam disponíveis, as previsões podem se tornar ainda mais precisas.

Conclusão

O algoritmo de correção plástica local é um avanço promissor na análise de materiais elasto-plásticos. Embora represente uma melhoria significativa em relação aos métodos tradicionais, a pesquisa e validação contínuas garantirão que ele possa ser usado de forma confiável em várias aplicações de engenharia. Ao combinar esse método com aprendizado de máquina, os engenheiros podem aprimorar suas capacidades preditivas, levando a designs mais seguros e eficientes nas aplicações de materiais.

Fonte original

Título: A plastic correction algorithm for full-field elasto-plastic finite element simulations : critical assessment of predictive capabilities and improvement by machine learning

Resumo: This paper introduces a new local plastic correction algorithm that is aimed at accelerating elasto-plastic finite element (FE) simulations for structural problems exhibiting localised plasticity (around e.g. notches, geometrical defects). The proposed method belongs to the category of generalised multi-axial Neuber-type methods, which process the results of an elastic prediction point-wise in order to calculate an approximation of the full elasto-plastic solution. The proposed algorithm relies on a rule of local proportionality, which, in the context of J2 plasticity, allows us to express the plastic plastic correction problem in terms of the amplitude of the full mechanical tensors only. This lightweight correction problem can be solved for numerically using a fully implicit time integrator that shares similarities with the radial return algorithm. The numerical capabilities of the proposed algorithm are demonstrated for a notched structure and a specimen containing a distribution of spherical pores, subjected to monotonic and cyclic loading. As a second point of innovation, we show that the proposed local plastic correction algorithm can be further accelerated by employing a simple meta-modelling strategy, with virtually no added errors. At last, we develop and investigate the merits of a deep-learning-based corrective layer designed to the approximation error of the plastic corrector. A convolutional architecture is used to analyse the neighbourhoods of material points and outputs a scalar correction to the point-wise Neuber-type predictions. This optional brick of the proposed plastic correction methodology relies on the availability of a set of full elasto-plastic finite element solutions to be used as training data-set.

Autores: Abhishek Palchoudhary, Simone Peter, Vincent Maurel, Cristian Ovalle, Pierre Kerfriden

Última atualização: 2024-09-25 00:00:00

Idioma: English

Fonte URL: https://arxiv.org/abs/2402.06313

Fonte PDF: https://arxiv.org/pdf/2402.06313

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes