Desarrollo de modelos basados en redes neuronales para la predicción de Band Gaps en paneles de metamateriales

Abstract

Los metamateriales son materiales artificiales cuyas propiedades provienen directamente de la posición y geometría que ocupan sus componentes dentro de su estructura. Con metamateriales en paneles para control de vibraciones, se pueden lograr bandas de frecuencias (band-gaps) en que las vibraciones son suprimidas por el panel. Esto es de gran interés en casos donde se quiere evitar la vibración de paneles debido a una excitación externa. La evaluación de los band bags en elementos finitos es muy costosa computacionalmente, esto hace que no sea factible implementar algoritmos de optimización tradicionales para maximizar el band gap a una cierta frecuencia, por ejemplo. Debido a esto es que se plantea como objetivo entrenar modelos de redes neuronales para predecir band gaps en paneles de metamateriales. En ese mismo sentido, se desprende también la generación de la base de datos para el entrenamiento y la definición del modelo de redes neuronales que mejor se ajuste al problema. Las redes neuronales corresponden a un algoritmo de aprendizaje automático de rápida evaluación, algo que se podría utilizar, posteriormente, para la optimización topológica de los metamateriales. La ejecución del presente trabajo comprendió dos ejes: la generación de las bases de datos y el desarrollo de modelos de redes neuronales. La generación de bases de datos lo suficientemente robustas, se realizó a partir de los modelos numéricos de distintos paneles diseñados en trabajos previos relacionados al tema y siguiendo 2 enfoques para el problema de predicción. En tanto, el desarrollo de modelos contempla la implementación de distintas arquitecturas que serán evaluadas para seleccionar la que obtenga los mejores resultados en la predicción de band-gaps. Como resultados, se determina que modelos basados en redes neuronales logran predecir exitosamente el ancho y frecuencia central de los band-gaps. En particular, se aprecia que los modelos predicen más fácilmente estas propiedades en paneles que poseen resonadores internos en sus núcleos.