Title

MONTAGEM DE UMA REDE NEURAL PARA ANÁLISE DE FADIGA DE BAIXO CICLO: O PAPEL EMERGENTE DAS PINNS

ASSEMBLING A NEURAL NETWORK FOR LOW-CYCLE FATIGUE ANALYSIS: THE EMERGING ROLE OF PINNS

Authorship

SIMÃO, LARISSA GOMES; NOGUEIRA, FÁTIMA RÚBIA DIAS DE MATOS; CARVALHOR, ROGERIO ATEM DE; CARVALHO, EDUARDO ATEM DE

SIMÃO, LARISSA GOMES

I am this author

NOGUEIRA, FÁTIMA RÚBIA DIAS DE MATOS

I am this author

CARVALHOR, ROGERIO ATEM DE

I am this author

CARVALHO, EDUARDO ATEM DE

I am this author

DOI

10.5151/2594-5335-42459

Downloads

Abstract

Vários autores têm apontado que o uso de Redes Neurais Artificiais (RNA) como ferramenta de análise da vida à fadiga de materiais estruturais permite que se use um número menor de amostras para correta determinação daquela propriedade mecânica. Tal vantagem reduz tempos e custos na obtenção de corpos de prova e consequentemente de dados de fadiga. Recentemente, o surgimento de Redes Neurais Informadas por Física (RNIF), tem permitido resultados ainda melhores, bem como redução de amostras e uma melhor compreensão da maneira como a rede converge para resultados mais precisos. Durante a composição da RNIF se faz necessário implementar em seu bojo as Leis da Física que descrevem fenômenos determinantes na vida à fadiga, tais como curvas de tração monotônicas (σxε), curvas de vida x deformação (εxN), lei de Paris, regra de Walker, regra de Miner etc. Como os outros tipos de RNA, a RNIF requer treinamento prévio, de forma a se estimar os pesos mais adequados para cada Lei da Física em cada situação estudada. Durante estas etapas, se exige normalmente maior capacidade de processamento computacional, porém passado o processo de aprendizagem e calibração dos pesos, a análise se torna bastante rápida e simples. AS RNIF usualmente são treinadas mais rápido do que as outras RN, devido à sua melhor convergência, posto que já possuem a parte conhecida do fenômeno físico embutida. Dados experimentais para dois aços SAE 4340 e UNS S32750 foram compilados e como exemplo os do superduplex são apresentados na forma útil para a RN.

SEVERAL AUTHORS HAVE POINTED OUT THAT THE USE OF ARTIFICIAL NEURAL NETWORKS (ANN) AS A TOOL FOR ANALYZING THE FATIGUE LIFE OF STRUCTURAL MATERIALS ALLOWS A SMALLER NUMBER OF SAMPLES TO BE USED FOR THE CORRECT DETERMINATION OF THAT MECHANICAL PROPERTY. THIS ADVANTAGE REDUCES THE TIME AND COST OF OBTAINING TEST SPECIMENS AND, CONSEQUENTLY, FATIGUE DATA. RECENTLY, THE EMERGENCE OF PHYSICS-INFORMED NEURAL NETWORKS (PINNS) HAS ENABLED EVEN BETTER RESULTS, AS WELL AS A REDUCTION IN SAMPLES AND A BETTER UNDERSTANDING OF HOW THE NETWORK CONVERGES TO MORE ACCURATE RESULTS. DURING THE COMPOSITION OF THE PNNR, IT IS NECESSARY TO IMPLEMENT THE LAWS OF PHYSICS THAT DESCRIBE PHENOMENA THAT DETERMINE FATIGUE LIFE, SUCH AS MONOTONIC STRESS-STRAIN CURVES (σXε), LIFE-STRAIN CURVES (εXN), PARIS LAW, WALKER'S RULE, MINER'S RULE, ETC. LIKE OTHER TYPES OF RNA, RNIF REQUIRES PRIOR TRAINING IN ORDER TO ESTIMATE THE MOST APPROPRIATE WEIGHTS FOR EACH LAW OF PHYSICS IN EACH SITUATION STUDIED. DURING THESE STAGES, GREATER COMPUTATIONAL PROCESSING CAPACITY IS NORMALLY REQUIRED, BUT ONCE THE LEARNING AND WEIGHT CALIBRATION PROCESS IS COMPLETE, THE ANALYSIS BECOMES QUITE FAST AND SIMPLE. RNIFS ARE USUALLY TRAINED FASTER THAN OTHER RNS DUE TO THEIR BETTER CONVERGENCE, SINCE THEY ALREADY HAVE THE KNOWN PART OF THE PHYSICAL PHENOMENON BUILT IN. EXPERIMENTAL DATA FOR TWO STEELS, SAE 4340 AND UNS S32750, WERE COMPILED AND, AS AN EXAMPLE, THOSE FOR SUPERDUPLEX ARE PRESENTED IN A FORM USEFUL FOR RN.

Keywords

Redes neurais artificiais, Fadiga, Fratura, Physics-Informed Neural Networks