es.wedoany.com Noticia: El proyecto DIDEAROT (Digital Design strategies to certify and mAnufacture Robust cOmposite sTructures, Estrategias de diseño digital para certificar y fabricar estructuras compuestas robustas), enmarcado en el programa Horizonte Europa, está desarrollando modelos sustitutos de aprendizaje automático entrenados mediante simulaciones físicas, con el objetivo de reducir la carga de ensayos físicos necesarios para la certificación de estructuras primarias de materiales compuestos en la próxima generación de aeronaves.
Desde probetas hasta estructuras completas, el método de certificación "en bloque" en el ámbito de los materiales compuestos aeronáuticos exige ensayos físicos en todos los niveles de diseño, un proceso de alto coste. Aunque los modelos de simulación de elementos finitos de alta fidelidad pueden capturar con precisión la respuesta de curado o impacto de los compuestos, su elevado coste computacional limita la exploración de parámetros y la cuantificación de incertidumbres durante la fase de diseño. El proyecto "HORIZON-CL5-2021-D5-01-06" de la Comisión Europea busca responder a esta restricción industrial, tomando decisiones de diseño más informadas en etapas tempranas mediante herramientas de diseño digital, reduciendo así la carga de ensayos físicos en la ruta de certificación.
El proyecto DIDEAROT aplica el método de modelos sustitutos a dos problemas específicos. En el ámbito de la fabricación, el proyecto ha desarrollado un nuevo método para predecir y corregir las deformaciones por curado de materiales compuestos. Los resultados publicados por investigadores de Cenaero (Bélgica) en la revista Composite Structures (Zein et al., junio de 2025) muestran que este método no trabaja directamente sobre la malla 3D completa de la pieza, sino que utiliza un conjunto reducido de funciones base matemáticas (base espectral) para representar su forma, y ajusta la forma del molde mediante el método numérico de Broyden. En un caso de prueba de una placa plana, el método eliminó por completo las deformaciones inducidas por el curado, mientras que el método estándar de punto fijo utilizado actualmente en la industria no logró converger.
En el ámbito de la vulnerabilidad estructural, el proyecto se centra en la respuesta dinámica de las estructuras bajo impacto. Para predecir la respuesta de daño a escala microscópica del material, el equipo de la Universidad de Lieja (ULiège) entrenó un modelo sustituto de red neuronal recurrente (SC-MRU-T, Unidad Recurrente Mínima Autoconsistente), que reproduce directamente la respuesta tensión-deformación de un volumen elemental representativo (RVE). La unidad SC-MRU-T construida por el equipo introduce explícitamente el tamaño de cada paso de carga en su cálculo interno, resolviendo el problema de que los resultados de predicción de modelos anteriores variaban según la finura de la discretización del paso de carga, lo que la hace adecuada para los pasos de tiempo finos e irregulares necesarios en simulaciones de impacto (Wu & Noels, 2024, publicado en Computer Methods in Applied Mechanics and Engineering).
En una prueba de simulación multiescala de referencia sin daño, la precisión de predicción de la red SC-MRU-T fue comparable a la del método tradicional de elementos finitos completo, mientras que su velocidad de ejecución fue aproximadamente 40 000 veces más rápida. Este resultado, junto con el código subyacente y los datos de entrenamiento, se ha puesto a disposición en acceso abierto. El equipo probará a continuación casos que incluyan fallo de material, lo cual es más desafiante para los análisis de impacto relacionados con la certificación.
El proyecto DIDEAROT, con un período de ejecución de septiembre de 2022 a agosto de 2026, se encuentra actualmente a mitad de camino. Además de los resultados mencionados, un equipo independiente de la Universidad de Oporto (INEGI) ha publicado un método que, mediante una sola prueba y utilizando el concepto existente de invariante de material (módulo de Tsai), permite estimar una ficha completa de parámetros de propiedades de materiales compuestos, con un error de predicción de aproximadamente el 6-8% en comparación con los valores medidos (Dinler et al., Journal of Composite Materials, 2026).
El proyecto DIDEAROT está coordinado por Cenaero, y sus socios incluyen a Sonaca, la Universidad de Lieja, Tecnalia, INEGI/Universidad de Oporto, Aernnova, Hexagon/E-Xstream Engineering y el Centro de Supercomputación de Barcelona. Su comité asesor está compuesto por Airbus, Dassault Aviation, Safran, Embraer y EASA. Se espera que algunos resultados del proyecto alcancen el Nivel de Madurez Tecnológica 6 (TRL6), pudiendo aplicarse directamente dentro de la asociación "Clean Aviation". El proyecto ha establecido una iniciativa de clúster para compartir resultados con proyectos como CAELESTIS, NEXTAIR, GENEX e INFINITE, y planea organizar talleres dirigidos a HPC y el ámbito académico, así como a la transferencia de tecnología industrial, antes de su finalización. Más información está disponible en la página del proyecto en CORDIS: cordis.europa.eu/project/id/101056682.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
