Aprendizaje de máquinas para la predicción del Band Gap en paneles tipo sándwich

Abstract

En la naturaleza nos podemos encontrar con estructuras de baja densidad, pero con una alta rigidez y resistencia. Las nuevas técnicas de manufactura han permitido replicar estas estructuras, fabricando así paneles tipo sándwich al unir dos capas externas con un núcleo ultraliviano entre ellas. Esto le permite al panel soportar altas cargas en relación a su densidad.

Otra importante propiedad que se puede dar bajo ciertas condiciones en estos paneles es la capacidad de reducir la propagación de ondas mecánicas en el material para cierto rango de frecuencias, más conocido como band gap. Es esta la propiedad que se desea predecir utilizando algoritmos de aprendizaje de máquinas.

Primero se debe generar una base de datos a partir de un modelo de elementos finitos, en el cual se utilizan distintas topologías. Dicha base de datos se divide en dos datasets; entrenamiento y pruebas. Luego se deben entrenar los algoritmos, siendo este un problema de regresión se implementa Support vector regression y Gaussian process regression, cuyos hiperparámetros y funciones son modificados usando una estrategia de grid search. El dataset de validación es utilizado para evaluar las distintas combinaciones de dichos parámetros. Mientras que el dataset de entrenamiento es utilizado para entrenar los modelos durante la selección de estos. Finalmente se realiza una evaluación utilizando el dataset de pruebas.

Para el cumplimiento de este trabajo se cuenta con Python como lenguaje de programación. SkLearn como librería de modelos de aprendizaje de máquinas. Numpy y Pandas para ordenar y procesar los datos.

En conclusión, se logra desarrollar modelos con ambos algoritmos capaces de predecir el band gap y sus características en paneles de tipo sándwich. Luego de analizar distintos enfoques, se determina que una predicción directa de ancho de banda y frecuencia media del band gap obtiene mejores resultados. Finalmente, se realiza un análisis sobre los datasets utilizados y la cantidad de casos con band gap, del cual se recomienda para trabajos futuros investigar el desempeño de los modelos frente a datasets con mayor cantidad de casos con band gap.