Algoritmos de aprendizaje de máquinas para la predicción de Band GAPS en paneles tipo sándwich

Abstract

Los band gaps corresponden a rangos de frecuencia para los cuales un material celular bloquea la propagación de ondas mecánicas, esta propiedad también puede ser exhibida por paneles tipo sándwich y sus características: la frecuencia media y ancho de banda, son dependientes de la arquitectura del núcleo. El desarrollo que han tenido las técnicas de manufactura aditiva, que permiten fabricar estructuras cada vez más intrincadas, sumado a la capacidad de variar las características de una propiedad, en materiales celulares, alterando su estructura, llevan a la necesidad de desarrollar métodos eficientes para la optimización de propiedades en los materiales. Se propone evaluar el desempeño que tienen ciertos modelos de aprendizaje de máquinas al predecir las características de band gaps en paneles tipo sándwich, a partir de los parámetros que definen la arquitectura del núcleo. Esto, debido a que esto modelos podrían reemplazar al método en métodos finitos en el proceso de optimización topológica. Reduciendo así los costos computacionales. Se plantean dos enfoques para entrenar los modelos de aprendizajes de máquinas. Cada uno de estos es probado con los datos de tres estructuras diferentes de núcleos de paneles. Y se emplea el método de búsqueda de grilla para optimizar los parámetros de cada modelo. Con todos los modelos se logra obtener buenas predicciones de frecuencia media y ancho de band gaps negativos. Pero ninguno logra predecir correctamente los valores de gaps positivos. Luego de analizar los resultados, no es posible concluir que sea posible emplear técnicas de aprendizaje de máquinas para la predicción de band gaps en diferentes topologías de paneles tipo sándwich. Debido a esto se proponen alternativas que podrían ayudar a obtener mejores resultados en la predicción de band gaps positivos.