La empresa GESTAMP, el Centro de Investigación Metalúrgica AZTERLAN y la UPV/EHU trabajan en la predicción del comportamiento de componentes de automoción de aluminio extruído serie 6xxx y en el desarrollo de modelos, en función de su composición química y su tratamiento térmico, con el principal objetivo de “optimizar y acelerar el ciclo de diseño de productos”.
La simulación del comportamiento estructural de los distintos componentes bajo diversas cargas dinámicas es un aspecto fundamental del proceso de desarrollo de productos, que permite optimizar su diseño con todas las garantías de seguridad. En el caso del desarrollo de piezas para automóviles, su capacidad de absorción de la energía de impacto es un aspecto crítico que, además, debe alinearse con las estrategias de aligeramiento de peso de los vehículos.
En este escenario altamente exigente y en constante evolución, en el que el desarrollo de materiales y el rediseño de componentes juegan un papel fundamental, los softwares de simulación comerciales presentan importantes limitaciones asociadas a los datos relativos al comportamiento de ciertos materiales. Para superar esta limitación, fabricantes y desarrolladores componentes trabajan constantemente en el desarrollo de BBDD de materiales.
Sin embargo, como explica el investigador de AZTERLAN Asier Bakedano, coordinador de la línea de investigación de Aluminio y Materiales Ligeros del Centro Tecnológico, “las nuevas tecnologías de machine learning e inteligencia artificial nos ofrecen nuevas oportunidades para afrontar este tipo de retos, permitiéndonos, no solo modelizar, sino llegar a predecir cómo afectarán ciertas características del material y su proceso de fabricación al comportamiento final de los componentes”.
Con este enfoque, y dirigido a mejorar conocimiento y el pronóstico del comportamiento de materiales de aluminio extruído serie 6xxx, el consorcio del royecto Alusmart, liderado por GESTAMP, trabaja en la predicción las propiedades mecánicas y de fractura de componentes estructulares de aluminio extruído en función de su composición química y su tratamiento térmico. El objetivo principal es “desarrollar un modelo capaz de predecir los ciclos de envejecimiento, las propiedades mecánicas y de fractura de un componente en función de su composición elemental y el tratamiento térmico al que ha sido sometido. Son variables críticas del producto que afectan a la microestructura del metal, reflejándose en sus propiedades físicas y mecánicas tanto a nivel estático como dinámico”.
Simulación de impacto en vehículo eléctrico
Ensayos estructurales para fomentar el autoaprendizaje del algoritmo
Con este horizonte, el equipo de trabajo se encuentra actualmente realizando varios ensayos estructurales que “serán los datos de entrenamiento para los modelos de machine learning (algoritmos); por esta razón, la generación de una gran cantidad de resultados es muy importante para el éxito del proyecto”. Entre las caracterizaciones llevadas a cabo, tienen una especial relevancia los ensayos de fractura destinados a determinar el nivel de deformación plástica en el momento de la fractura. En una fase posterior, tras la adquisición de un significativo número de resultados procedentes de los ensayos, la investigación se centrará en el desarrollo e implementación de los modelos de machine learning.
“Sin duda, este proyecto hará posible explorar el potencial de la inteligencia artificial en el área de la ciencia de materiales y nos permitirá profundizar en un área de conocimiento fundamental de los componentes estructurales de aluminio, el segundo material más utilizado por la industria automotriz tras el acero, acelerando los ciclos de diseño de los productos”.
El proyecto Alusmart se encuentra financiado por el Programa Elkartek del Gobierno Vasco. El consorcio el proyecto se encuentra formado por la empresa GESTAMP (líder del proyecto), el Centro de Investigación Metalúrgica AZTERLAN y la UPV/EHU.