Entrenamiento de algoritmos de aprendizaje de máquinas para predecir los Band Gaps en paneles de metamateriales

Abstract

Los metamateriales son un tipo de materiales compuestos cuyas propiedades dependen de la topología en la que se encuentran sus componentes dentro de la estructura. Una de las propiedades que estos materiales pueden presentan los band gaps, los cuales son supresiones de ondas mecánicas en ciertos rangos de frecuencias. Esta propiedad que exhiben algunos metamateriales a sido la raíz de porque estos han sido objeto de estudio en el último tiempo, ya que ha partir de ellos se han podido desarrollar filtros acústicos, protectores de vibraciones y en algunos casos para recolección de energía. Cabe destacar que modelar de manera numérica los metamateriales para luego calcular las bandas de frecuencia toma bastante tiempo por lo que se plantea este trabajo de investigación como una posible solución en cuanto a la eficiencia con respecto al tiempo que toma este proceso. Debido a que generar los band gaps mediante modelos numérico resulta poco eficiente en cuanto a tiempo de computación, se propone utilizar algoritmos de machine learning para predecir los anchos de banda. Para poder realizar esto se utilizan diferentes algoritmos los cuales son: Support Vector Machines, K Nearest Neighbors, Random Forest, Adaptive Boosting y Gradient Boositng. Estos algoritmos se entrenan utilizando 3 bases de datos diferentes los cuales fueron generados a partir de una panel de metamaterial tipo enrejado de vigas interconectadas, una estructura periódica con resonadores y una combinación de los dos anteriores el cual fue una enrejado con masas puntuales en las vigas. Además de esto se utilizaron dos enfoques diferentes en la metodología, el primer enfoque fue centrado en predecir directamente el ancho de banda y la frecuencia media utilizando las tres bases de datos para cada uno de los algoritmos mencionados. El segundo enfoque consistió en predecir 8 bandas de frecuencias las cuales se utilizaron para calcular finalmente el ancho de banda y la frecuencia media. Tras entrenar los algoritmos se pudo observar que el desempeño de estos tuvo una fuerte relación en como los datos de entrenamiento se ajusta a los algoritmos, cabe destacar que algoritmo Random Forest entregó predicciones bastante certeras mediante el segundo enfoque.