[pt] Materiais compósitos são a base de muitos produtos, devido à sua
capacidade de aperfeiçoar certas propriedades. Recentemente, a utilização
de nanocargas na fabricação de compósitos vem sendo amplamente estudada,
pois a partir de concentrações baixas de nanocargas, as propriedades
começam a melhorar, possibilitando a criação de materiais leves e com uma
grande gama de propriedades. Uma das propriedades mecânicas mais estudadas
é o módulo de Young, que mensura a rigidez de um material. Alguns
dos modelos existentes para essa propriedade em nanocompósitos pecam na
precisão ou são limitados em função da fração máxima de nanopartículas
admissível no modelo. Outros se adequam apenas a uma determinada combina
ção de matriz/carga preestabelecida. O objetivo deste trabalho é utilizar
Redes Neurais Artificiais como um aproximador capaz de modelar tal
propriedade para diversas matrizes/cargas, levando em consideração suas
características, sem perder a precisão. A validação do aproximador é realizada
comparando o resultado com outros modelos propostos na literatura.
Uma vez validada, utiliza-se Algoritmos Genéticos em conjunto com tal rede
para definir qual seria a configuração ideal para três casos de estudo: um
que maximize o valor do módulo de Young, outro que maximize o módulo
relativo e um terceiro que maximize o módulo relativo e minimize a quantidade
de carga utilizada, diminuindo os custos de projeto. As técnicas de
Inteligência Computacional empregadas na modelagem e síntese de materiais
nanoestruturados se mostraram boas ferramentas, uma vez que geraram
uma boa aproximação dos dados utilizados com erros inferiores a 5%, além
de possibilitarem a determinação dos parâmetros de síntese de um material
com o módulo de Young desejado. / [en] Composite materials became very popular due to its improvements on
certain properties achieved from the mixture of two different components.
Recently, the use of nanofillers in the manufacture of composites has been
widely studied due to the improvement of properties at low concentrations
of nanofillers, enabling the creation of lightweight materials. Some of the
existing models for the Young modulus of the nanocomposites have low
accuracy or are limited in terms of the maximum filler fraction possible.
Others are appropriate only for a given combination of matrix and filler.
The objective of this work is to use Artificial Neural Networks as a function
approximation method capable of modeling such property for various
matrix/nanofillers, taking into account their characteristics, without losing
accuracy. The validation of this approximator is performed comparing its
results with other models proposed in the literature. Once validated, a Genetic
Algorithm is used with the Neural Network to define which would be
the ideal setting for three case studies: one that maximizes the value of composite’s
Young’s modulus, other that maximizes the relative modulus and a
third one that maximizes the relative modulus and minimizes the amount
of load used, reducing the cost of project. Computational Intelligence techniques
employed on the modeling and synthesis of nanostructured materials
proved to be adequate tools, since it generated a good approximation of the
data with errors lower than 5%, and determined the material’s parameters
for synthesis with the desired Young’s modulus.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:15391 |
Date | 17 March 2010 |
Creators | LEANDRO FONTOURA CUPERTINO |
Contributors | MARCO AURÉLIO CAVALCANTI PACHECO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0012 seconds