Search

The use of Automated Fiber Placement is being widespread in the aerospace industry. The need of manufacturing large and complex structural composite components, it makes the use of this technology much more efficient than the conventional hand lay-up manufacturing. However, these components are still being manually inspected and the effect of the defects found is calculated with a simulation software. The scope of this thesis is to create a Machine Learning model that is able to calculate the effect on the effective stiffness for different defect configuration. This Machine Learning model should be provided with the geometrical defect characteristics in the laminate and it has to be able to predict, with a high level of accuracy, the effective stiffness of the laminate. Training this model with a big amount of different configuration defects generates the need to create a parametrized FE model of a composite laminate on the coupon level. The results show that a Multi Layer Perceptron architecture with two hidden layers. The first one with 281 nodes and the second one with 76 nodes which is able to predict the effective stiffness of a defective laminate coupon with an accuracy of 0,1 GPa L'ús del Automated Fiber Placement està estenent-se en la indústria aeroespacial. La necessitat de fabricar components estructurals compostos grans i complexes, fa que l'ús d'aquesta tecnologia sigui molt més eficient que la fabricació convencional amb col·locació manual. No obstant això, aquests components encara s'estan inspeccionant manualment i es calcula l'efecte dels defectes trobats amb software de simulació. L'abast d'aquesta tesi és crear un model de Machine Lerning que sigui capaç de calcular l'efecte en la rigidesa efectiva per diferents configuracions de defectes. Aquest model d'aprenentatge automàtic hauria de rebre les característiques geomètriques dels defectes en el laminat i de ser capaç de predir, amb un alt nivell de precisió, la rigidesa efectiva del laminat. Entrenar aquest model amb una gran quantitat de configuracions de defectes diferents genera la necessitat de crear un model FE parametritzat d'una laminació composta en el nivell de cupó. Els resultats mostren que una arquitectura de Multilayer Perceptron amb dues hidden layers. La primera amb 281 nodes i la segona amb 76 nodes, és capaç de predir la rigidesa efectiva d'un laminat defectuós amb una precisió de 0,1 GPa El uso del Automated Fiber Placement se está expandiendo en la industria aeroespacial. La necesidad de fabricar grandes y complejos componentes estructurales de materiales compuestos, hace que el uso de esta tecnología sea mucho más eficiente que la fabricación manual convencional. Sin embargo, estos componentes siguen siendo inspeccionados manualmente y se calcula el efecto de los defectos encontrados con un software de simulación. El objetivo de esta tesis es crear un modelo de Machine Learning que sea capaz de calcular el efecto sobre la rigidez efectiva para diferentes configuraciones de defectos. A este modelo de aprendizaje automático se le deben proporcionar las características geométricas del defecto en el laminado y tiene que ser capaz de predecir, con un alto nivel de precisión, la rigidez efectiva del laminado. El entrenamiento de este modelo se debe de realizar con una gran cantidad de configuraciones de defectos diferentes. Este hecho genera la necesidad de crear un modelo de elementos finitos parametrizado de un laminado a nivel de cupón. Los resultados muestran que una arquitectura Multilayer Perceptron con dos hidden layers. La primera con 281 nodos y la segunda con 76 nodos que es capaz de predecir la rigidez efectiva de un coupon laminado defectuoso con una precisión de 0,1 GPa