Supervised machine learning framework for the analysis of contacting solids under inelastic strains

Detalhes bibliográficos
Autor(a) principal: Flávio, Paulo Guilherme Marques
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: eng
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/48641
Resumo: Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2023.
id UNB_47954e60800efd94aacbff9cd3ee9024
oai_identifier_str oai:repositorio.unb.br:10482/48641
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Supervised machine learning framework for the analysis of contacting solids under inelastic strainsRedes neurais (Computação)Elementos finitosTese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2023.As Redes Neurais Artificiais (RNA) podem ser entendidas como um sistema computacional complexo formado por uma série de elementos de processamento interconectados inspirados nas Redes Neurais Biológicas, que têm como finalidade o processamento de informações com o objetivo de gerar uma resposta. Este estudo visa combinar as capacidades de RNA’s e Elementos Finitos, desenvolvida por meio de algoritmos de aprendizado supervisionado para prever o comportamento mecânico e as propriedades materiais através de modelos constitutivos para metais e polímeros. A avaliação dos polímeros restringe-se a polímeros termoplásticos e adota-se um modelo elasto-viscoplástico baseado no modelo constitutivo de Mulliken-Boyce. A implementação do modelo é realizada via sub-rotinas VUMAT (integração explícita) no software comercial ABAQUS® para o estudo de compressão uniaxial em grandes deformações. As previsões desejadas para o estudo dos polímeros avaliados são: (1) Previsão dos parâmetros materiais do modelo constitutivo modificado de Mulliken-Boyce implementado, a partir da curva tensão-deformação experimental e (2) previsão da curva tensão-deformação a partir das propriedades do material. O estudo dos metais é baseado em testes de indentação em grandes deformações. A equação de Ludwik é adotada para a descrição do comportamento mecânico e é implementada via integração implícita no mesmo software comercial. As predições almejadas para os metais são: (1) predição da curva tensão-deformação a partir da curva deslocamento-força obtida através do teste de indentação e (2) predição da curva deslocamento-força, indentação residual e pressão de contato a partir das principais propriedades mecânicas de metais. Todas as previsões são realizadas através da implementação de redes neurais via treinamento supervisionado. O desempenho das previsões feitas para todos os casos avaliados mostra boa acurácia com uma redução significativa no tempo de processamento em comparação com implementações via Elemento Finito.Artificial Neural Networks (ANN) can be understood as a complex computing system made up of a series of interconnected processing elements inspired by the Biological Neural Networks that have the purpose of processing information aiming to generate a response. This study aims to combine the capabilities of ANN’s, developed using a supervised learning algorithm for predicting the mechanical behavior and material properties of the respective rheological models adopted for metallic and polymeric materials. The evaluation of the polymers is restricted to thermoplastic polymers and a elastic-viscoplastic model based on the Mulliken-Boyce constitutive model is adopted. The implementation of the model is carried out via VUMAT subroutines (explicit integration) in the commercial software ABAQUS for the study of uniaxial compression in large deformations. The desired predictions for the study of the evaluated polymers are: (1) Prediction of the material parameters of the modified constitutive model of Mulliken-Boyce implemented from the experimental stress-strain curve and (2) prediction of the stress-strain curve from the material parameters. The study of metals is based on indentation tests at large deformations. Ludwik equation is adopted for the description of the mechanical behavior and is implemented via implicit integration in the same commercial software. The desired predictions for metals are: (1) prediction of the stress-strain curve from the displacement-force curve obtained through indentation test and (2) prediction of the displacement-force curve, residual indentation, and contact pressure from the main mechanical properties of metals. All predictions are performed through the implementation of deep neural networks and supervised training. The results achieved are satisfactory, the performance of the predictions made for all evaluated cases show good accuracy with a significant reduction in processing time compared to implementations via Finite Element.Faculdade de Tecnologia (FT)Departamento de Engenharia Mecânica (FT ENM)Programa de Pós-Graduação em Ciências MecânicasDoca, Thiago de Carvalho RodriguesFlávio, Paulo Guilherme Marques2024-07-09T17:09:45Z2024-07-09T17:09:45Z2024-07-092023-03-31info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfFLÁVIO, Paulo Guilherme Marques. Supervised machine learning framework for the analysis of contacting solids under inelastic strains. 2023. 133 f., il. Tese (Doutorado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/48641engA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-07-09T17:09:45Zoai:repositorio.unb.br:10482/48641Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-07-09T17:09:45Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Supervised machine learning framework for the analysis of contacting solids under inelastic strains
title Supervised machine learning framework for the analysis of contacting solids under inelastic strains
spellingShingle Supervised machine learning framework for the analysis of contacting solids under inelastic strains
Flávio, Paulo Guilherme Marques
Redes neurais (Computação)
Elementos finitos
title_short Supervised machine learning framework for the analysis of contacting solids under inelastic strains
title_full Supervised machine learning framework for the analysis of contacting solids under inelastic strains
title_fullStr Supervised machine learning framework for the analysis of contacting solids under inelastic strains
title_full_unstemmed Supervised machine learning framework for the analysis of contacting solids under inelastic strains
title_sort Supervised machine learning framework for the analysis of contacting solids under inelastic strains
author Flávio, Paulo Guilherme Marques
author_facet Flávio, Paulo Guilherme Marques
author_role author
dc.contributor.none.fl_str_mv Doca, Thiago de Carvalho Rodrigues
dc.contributor.author.fl_str_mv Flávio, Paulo Guilherme Marques
dc.subject.por.fl_str_mv Redes neurais (Computação)
Elementos finitos
topic Redes neurais (Computação)
Elementos finitos
description Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-03-31
2024-07-09T17:09:45Z
2024-07-09T17:09:45Z
2024-07-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv FLÁVIO, Paulo Guilherme Marques. Supervised machine learning framework for the analysis of contacting solids under inelastic strains. 2023. 133 f., il. Tese (Doutorado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.
http://repositorio2.unb.br/jspui/handle/10482/48641
identifier_str_mv FLÁVIO, Paulo Guilherme Marques. Supervised machine learning framework for the analysis of contacting solids under inelastic strains. 2023. 133 f., il. Tese (Doutorado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/48641
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508220504342528

Registros relacionados