| Summary: | El presente trabajo de investigación se centra en la modelización de mecanismos de falla
dúctil en una barra unidimensional. El objetivo principal es utilizar métodos basados en
Physics-Informed Neural Networks (PINN) y Machine Learning, empleando el enfoque
variacional, para modelizar el mecanismo de falla dúctil y la localización de deformaciones.
Se desarrollaron dos implementaciones de PINN basadas en el principio variacional,
utilizando diferentes ecuaciones de minimización de energía que son equivalentes entre sí.
Los resultados obtenidos demuestran que las redes neuronales son capaces de capturar el
comportamiento elastoplástico sin la necesidad de herramientas complejas como phasefields. Este enfoque numérico se presenta como una opción prometedora en comparación
con métodos alternativos como los elementos finitos, especialmente para problemas de
dimensiones superiores, donde otros métodos muestran limitaciones. Esto abre nuevas
líneas de investigación en el campo de la modelización de mecanismos de falla en sólidos.
Se demostró que estas redes neuronales, aplicadas mediante el principio variacional, ofrecen
una precisión suficiente en comparación con las soluciones analíticas. Como recomendación,
se sugiere profundizar en la naturaleza de las redes neuronales como método para la
resolución de problemas en la mecánica de sólidos, así como implementar redes neuronales
en la resolución de problemas en 2D y 3D, lo cual representa una línea de investigación futura.
|
|---|