Tesis:
Tecnologías avanzadas de Aprendizaje Profundo para la fabricación inteligente de materiales compuestos estructurales
- Autor: FERNÁNDEZ LEÓN, Joaquín
- Título: Tecnologías avanzadas de Aprendizaje Profundo para la fabricación inteligente de materiales compuestos estructurales
- Fecha: 2023
- Materia:
- Escuela: E.T.S DE INGENIEROS INFORMÁTICOS
- Departamentos: INTELIGENCIA ARTIFICIAL
- Acceso electrónico: https://oa.upm.es/76613/
- Director/a 1º: BAUMELA MOLINA, Luis
- Director/a 2º: GONZÁLEZ MARTÍNEZ, Carlos Daniel
- Resumen: La industria de fabricación de materiales ha evolucionado rápidamente con los avances tecnológicos y la digitalización, de manera que ha traído una nueva era en el campo de la fabricación de materiales compuestos. En los últimos años, el moldeo por transferencia de resina (RTM) ha ganado mucha atención debido a su capacidad para producir piezas compuestas de alta calidad. Sin embargo, el RTM aún se enfrenta a algunos retos que pueden afectar a la calidad del producto final. Esta tesis explora algoritmos basados en datos para crear un modelo de gemelo digital (DT) que analice el proceso de fabricación de materiales compuestos estructurales por RTM. De esta manera, mejorar el proceso de RTM y predecir la calidad del producto final tiempo real.
Durante el RTM se impregna una preforma textil seca con una resina polimérica inyectada en un molde cerrado. El DT detecta cuando el flujo de resina no es homogéneo. Principalmente, esto es causado por la aparición de zonas de permeabilidad variable en las propias fibras. De esta manera, se producen zonas secas por la falta de impregnación de resina durante la inyección y como consecuencia se producen distorsiones en el flujo de resina que se desvía hacia las compuertas de salida del molde, como resultado de estas zonas de alta permeabilidad. El núcleo del DT contiene dos modelos basados en arquitecturas de aprendizaje profundo con forma codificador/decodificador, que proporcionan una respuesta rápida y precisa muy necesaria para la interpretación durante la fabricación. El primer modelo actúa como detector de perturbaciones, proporcionando la predicción en tiempo real de la permeabilidad del tejido con la única información recogida por cinco sensores de presión distribuidos por la superficie del molde. El segundo ofrece una imagen en tiempo real de un conjunto de regiones de interés (QoI). Estas regiones son: el progreso del flujo y el campo de presión dentro del molde. Ambos sustitutos se entrenaron con datos sintéticos generados por simulaciones multifísicas de alta fidelidad del progreso del flujo en una preforma porosa siguiendo la ley de Darcy. Los errores en las predicciones del campo de presión de los sustitutos son inferiores al 1% con un tiempo de consulta <50 ms que permite su encapsulación en el DT. Su rendimiento se evaluó comparando la respuesta con experimentos RTM para diferentes escenarios de seguimiento de carreras.
Los resultados de la tesis contribuirán significativamente al desarrollo de tecnologías de fabricación de próxima generación, demostrando la eficacia del DT y de los algoritmos basados en datos, como los modelos de aprendizaje automático y aprendizaje profundo, para mejorar la calidad y la eficiencia del proceso RTM. En particular, el estudio ha contribuido significativamente al campo mediante el diseño de una función de pérdida específica para el problema y el entrenamiento de modelos de aprendizaje profundo con datos sintéticos, que se validó utilizando datos experimentales. Además, en el estudio se ha considerado el número mínimo de datos sintéticos necesarios para obtener resultados fiables y se ha desarrollado una metodología para capturar los datos con distribución temporal cuadrática, considerando la variación de la velocidad al principio y al final del proceso. Además, se ha abordado el problema de predecir varias zonas de interés (QoI), proporcionando una solución eficiente y eficaz a este problema y demostrando que la solución multitarea produce mejores predicciones. De esta manera, se concluye que estos resultados benefician enormemente a la industria de fabricación y los modelos creados mejoran la calidad de los productos reduciendo los costes. En última instancia, esta investigación contribuirá al avance de la industria, impulsando la innovación y creando nuevas oportunidades de crecimiento y desarrollo.
ABSTRACT
The materials manufacturing industry has evolved rapidly with technological advances and digitization, bringing a new era in composite materials manufacturing. In recent years, resin transfer moulding (RTM) has gained much attention due to its ability to produce high-quality composite parts. However, RTM still faces some challenges that can affect the final product’s quality. This thesis explores data-driven algorithms to create a digital twin (DT) model to analyse the manufacturing process of structural composites by RTM. The data-driven models are designed to enhance the RTM process and predict the final product’s quality in real-time.
A dry textile preform is impregnated during RTM with a polymer resin injected in a closed mould. The DT looks out for inhomogeneous resin flow caused by zones of varying permeability in the fibres. Dry spots and a lack of impregnation result when resin flow is misdirected to the outlet gates of the mould, as can happen in areas of high permeability. The DT core contains two models based on encoder/decoder deep learning architectures, providing the fast/accurate response necessary for interrogation during manufacturing. The first model acts as the disturbance detector, providing the on-the-fly representation of the fabric permeability with only information gathered by five pressure sensors distributed over the mould surface. The second offers a real-time picture of a set of quantities of interests (QoI): the flow progress and the pressure field inside the mould. Both surrogates were trained with synthetic data generated by highfidelity multi-physics simulations of the flow progress in a porous preform by following Darcy’s law. Errors in the pressure field predictions of the surrogates are lower than 1% with consultation time <50 ms enabling encapsulation in the DT. Its performance was evaluated by comparing response against RTM experiments for different race-tracking scenarios.
The thesis findings will significantly contribute to the development of next-generation manufacturing technologies, demonstrating the effectiveness of DT and data-driven algorithms in improving the quality and efficiency of the RTM process. In particular, the study has contributed significantly to the field by designing a specific loss function for the problem and training models with synthetic data, which was validated using experimental data. Additionally, the study has considered the minimum number of synthetic data required to achieve reliable results and developed a methodology to capture data quadratically, considering the variation in velocity at the beginning and end of the process. Furthermore, the study has addressed the multitasking problem of predicting various quantities of interest, providing an efficient and effective solution to this problem.
The insights gained from this research will greatly benefit the manufacturing industry. They can enhance product quality and reduce manufacturing costs in other manufacturing processes. By leveraging the potential of digital twins and data-driven algorithms, manufacturers can optimize their production processes, minimize defects, reduce waste, and improve the overall quality of their products. Ultimately, this research will contribute to the advancement of the manufacturing industry, driving innovation and creating new opportunities for growth and development.