Predicción de propiedades mecánicas de metamateriales obtenidos por Manufactura aditiva.

José Alberto  Hernández-Medina; Cynthia Graciela Flores-Hernández; Víctor Alejandro González-Huitrón; Gabriela Pineda-Chacón; Juventino López-Barroso

doi:10.29057/icbi.v12iEspecial5.13824

Autores/as

José Alberto Hernández-Medina Tecnológico Nacional de México | División de Estudios de Posgrado e Investigación | Querétaro | México https://orcid.org/0009-0009-6282-6901
Cynthia Graciela Flores-Hernández Tecnológico Nacional de México | División de Estudios de Posgrado e Investigación | Querétaro | México https://orcid.org/0000-0002-7863-8720
Víctor Alejandro González-Huitrón Tecnológico Nacional de México | División de Estudios de Posgrado e Investigación | Querétaro | México https://orcid.org/0000-0003-0426-0515
Gabriela Pineda-Chacón Tecnológico Nacional de México | División de Estudios de Posgrado e Investigación | Querétaro | México https://orcid.org/0009-0004-8522-5184
Juventino López-Barroso Tecnológico Nacional de México | División de Estudios de Posgrado e Investigación | Querétaro | México https://orcid.org/0000-0001-7954-135X

DOI:

https://doi.org/10.29057/icbi.v12iEspecial5.13824

Palabras clave:

Metamateriales, Redes Neuronales Artificiales, Perceptrón Multicapa, Manufactura aditiva

Resumen

Los metamateriales mecánicos son materiales diseñados artificialmente con la finalidad de presentar un mejor desempeño gracias a los cambios en la estructura que los conforma y no en su composición química. En algunos casos este tipo de estructuras están basadas en la naturaleza, por ejemplo, el interior de los huesos, panales de abejas. Actualmente, gracias a los avances tecnológicos tanto en software y hardware ha facilitado el diseño y fabricación de estos materiales. La determinación de las propiedades de los metamateriales es realizada por medio de simulación por computadora, pruebas de estrés mecánico o ambos. Para la fabricación de estos metamateriales, en la mayoría de los casos se recurre a la manufactura aditiva. Recientemente, las investigaciones han mostrado interés en predecir el comportamiento mecánico de estos metamateriales usando diferentes técnicas entre las cuales destacan las redes neuronales.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 0

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

86%

33%

Días hasta la publicación

77

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Barchiesi, E., Spagnuolo, M., & Placidi, L. (2019). Mechanical metamaterials: a state of the art. Mathematics and Mechanics of Solids, 24(1). https://doi.org/10.1177/1081286517735695

Cuan-Urquizo, E., & Guerra Silva, R. (2023). Fused Filament Fabrication of cellular, lattice and porous mechanical metamaterials: a review. In Virtual and Physical Prototyping (Vol. 18, Issue 1). https://doi.org/10.1080/17452759.2023.2224300

Doodi, R., & Gunji, B. M. (2023). Prediction and experimental validation approach to improve performance of novel hybrid bio-inspired 3D printed lattice structures using artificial neural networks. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-33935-0

Grozav, S. D., Sterca, A. D., Kočiško, M., Pollák, M., & Ceclan, V. (2023). Artificial Neural Network-Based Predictive Model for Finite Element Analysis of Additive-Manufactured Components. Machines, 11(5). https://doi.org/10.3390/machines11050547

Ian Goodfellow and Yoshua Bengio and Aaron Courville. (2016). Deep Learning. MIT Press.

Iqbal S, K. M. (2024). Review Study on Mechanical Properties of Cellular Materials. Materials (Basel).

Kladovasilakis, N., Tsongas, K., & Tzetzis, D. (2021). Mechanical and fea-assisted characterization of fused filament fabricated triply periodic minimal surface structures. Journal of Composites Science, 5(2). https://doi.org/10.3390/jcs5020058

Oladipo, B., Matos, H., Krishnan, N. M. A., & Das, S. (2023). Integrating experiments, finite element analysis, and interpretable machine learning to evaluate the auxetic response of 3D printed re-entrant metamaterials. Journal of Materials Research and Technology, 25. https://doi.org/10.1016/j.jmrt.2023.06.038

Pahlavani, H., Tsifoutis-Kazolis, K., Saldivar, M. C., Mody, P., Zhou, J., Mirzaali, M. J., & Zadpoor, A. A. (2024). Deep Learning for Size-Agnostic Inverse Design of Random-Network 3D Printed Mechanical Metamaterials. Advanced Materials, 36(6). https://doi.org/10.1002/adma.202303481

Shen, X., Hu, Q., Zhu, D., Qi, S., Huang, C., Yuan, M., Qian, X., & Guo, R. (2024). Dynamic mechanical response prediction model of honeycomb structure based on machine learning method and finite element method. International Journal of Impact Engineering, 184. https://doi.org/10.1016/j.ijimpeng.2023.104825

Shevchenko, V., Balabanov, S., Sychov, M., & Karimova, L. (2023). Prediction of Cellular Structure Mechanical Properties with the Geometry of Triply Periodic Minimal Surfaces (TPMS). ACS Omega, 8(30). https://doi.org/10.1021/acsomega.3c01631

Yu, X., Zhou, J., Liang, H., Jiang, Z., & Wu, L. (2018). Mechanical metamaterials associated with stiffness, rigidity and compressibility: A brief review. Progress in Materials Science, 94, 114–173. https://doi.org/10.1016/J.PMATSCI.2017.12.003

Zheng, X., Zhang, X., Chen, T. Te, & Watanabe, I. (2023). Deep Learning in Mechanical Metamaterials: From Prediction and Generation to Inverse Design. In Advanced Materials (Vol. 35, Issue 45). https://doi.org/10.1002/adma.202302530