Trabajo de grado - Pregrado
Determinación de los parámetros constitutivos de la Plastilina Roma No.1
Fecha
2022Registro en:
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
Autor
España Pachón, Jhoan Daniel
Institución
Resumen
El presente proyecto pretende determinar los parámetros del modelo constitutivo de Johnson Cook que describe el comportamiento mecánico de la plastilina Roma No.1 mediante el uso de simulaciones computacionales y siguiendo un algoritmo de redes neuronales para una prueba de caída gravitacional. Para ello, se utiliza un conjunto de herramientas virtuales para lograrlo, entre las cuales se encuentran: Ansys Workbench en su módulo de Explicit Dynamics; Excel; Matlab; y Visual Studio Code mediante el lenguaje de programación Python. El proceso consiste en 5 pasos: El primero consiste en desarrollar un modelo de caída libre funcional en Ansys. El segundo, consiste en generar mediante Latin Hypercube los 4 parámetros de Johnson Cook "A", "B", "C" y "n" para los 2000 modelos que alimentaran la red neuronal. El tercer paso evalúa los puntos de diseño en el programa Ansys Workbench, para ello, se cargó la base al sistema del programa y se evaluó cada punto de manera manual. El cuarto paso, consiste en convertir los resultados y los parámetros respectivos de cada modelo a archivos de texto mediante el programa Matlab. Esto con el fin de ordenar los datos y facilitar la lectura por el código de programación en Python. Finalmente, se realizó en Python un diseño de red neuronal mediante el uso de la librería de Tensorflow. Para el modelo se utilizó una esfera de 63.5 [mm] de 1043 [g] a una altura de caída de 2.0 [m]. Se realizaron un total de 2000 simulaciones para alimentar la red neuronal. El diseño final está compuesto por 1 capa de entrada, 2 capas ocultas y 1 capa de salida. Cada una de estas capas se compuso de 128 neuronas, exceptuando la última, la cual, se compuso de 4 neuronas. Todas las capas usaron una capa de activación ¿linear¿, obteniendo como resultado un MAPE del 10% con un entrenamiento de 200 ciclos. Al predecir los parámetros experimentales obtenidos en laboratorio contra los estimados por la red neuronal se obtuvo un error promedio porcentual máximo del 6%. The present project aims to determine the parameters of the Johnson Cook constitutive model that describes the mechanical behavior of the Roma No.1 plasticine by using computational simulations and following a neural network algorithm for a gravitational drop test. For this purpose, a set of virtual tools is used to achieve this, among which are: Ansys Workbench in its Explicit Dynamics module; Excel; Matlab; and Visual Studio Code using the Python programming language. The process consists of 5 steps: The first one consists of developing a functional drop test model in Ansys. The second step consists of generating the 4 Johnson Cook parameters "A", "B", "C" and "n" for the 2000 models that will feed the neural network using Latin Hypercube. The third step evaluates the design points in the Ansys Workbench program, for this, the base was loaded to the program system and each point was evaluated manually. The fourth step consists of converting the results and the respective parameters of each model to text files using the Matlab program. This was done in order to sort the data and facilitate the reading by the Python programming code. Finally, a neural network design was carried out in Python using the Tensorflow library. A 63.5 [mm] sphere of 1043 [g] at a drop height of 2.0 [m] was used for the model. A total of 2000 simulations were performed to feed the neural network. The final design is composed of 1 input layer, 2 hidden layers and 1 output layer. Each of these layers was composed of 128 neurons, except for the last one, which was composed of 4 neurons. All layers used a "linear" activation layer, resulting in a MAPE of 10% with a training of 200 cycles. When predicting the experimental parameters obtained in the laboratory against those estimated by the neural network, a maximum average percentage error of 6% and a maximum 2-point tracking error of 15% were obtained. This prediction process, after training the network, has a time cost of 0.2 [s].