NUESTRO TRABAJO EN LA NASA EN RELACIÓN A LOS MATERIALES COMPUESTOS

Autores: Juan Chiachio Ruano, Manuel Chiachio Ruano, Guillermo Rus Carlborg

En composites, uno de los procesos más importantes a considerar es la degradación por fatiga, por su impacto en la seguridad a largo plazo. Pese a que el comportamiento a fatiga del material compuesto supera al del acero, el material compuesto presenta un proceso de degradación multiescala que se inicia desde los primeras etapas de la vida del material, y además el proceso está sujeto a incertidumbre. A lo anterior, también contribuye la falta de experiencia, por la práctica ausencia de realizaciones que estén al final de su vida útil y que puedan reportar información procedente de la monitorización. Durante las últimas décadas, se ha hecho un gran esfuerzo de investigación en lo referente a modelos físicos de daño por fatiga, simulaciones numéricas del daño y extensos programas experimentales [12–14].

Sin embargo, los modelos de evolución de daño por fatiga en materiales compuestos, aun estando sólidamente fundados en conceptos físicos o mecánicos, necesitan ajustes experimentales. Por ello, la incertidumbre contenida en los datos experimentales debe ser tenida en cuenta en el proceso de modelización. Pero adicionalmente a esta incertidumbre de medición, la incertidumbre del propio modelo de representar fielmente la realidad del sistema suele ser, en fatiga de composites, órdenes de magnitud superior a la primera [15, 16].

No se habla por tanto de un modelo para predecir la fatiga, sino de clases de modelos plausibles. El problema inverso Bayesiano [17] proporciona un marco riguroso para tener en cuenta ambas fuentes de incertidumbre en modelos y datos, proporcionando la probabilidad (entendida como plausibilidad) de un conjunto de clases de modelos y parámetros de diseño dado un conjunto de datos experimentales de daño por fatiga. La metodología que se adopta implementa automáticamente una “cuchilla de Ockham” cuantitativa, en el sentido de que proporciona una medida del sobreajuste de un modelo en relación a la complejidad del mismo [18]. Los modelos y parámetros más plausibles son posteriormente incorporados en algoritmos de inteligencia artificial para hacer pronóstico, como los Filtros de Kalman [19] o más generalmente Filtros de Partículas [20], con objeto de que una estructura pueda hacer de forma autónoma pronósticos robustos [18] de vida remanente a fatiga y probabilidad de fallo.

Este trabajo se está desarrollando en el Prognostic Center of Excellence (PCoE) de la NASA, donde se trabaja en sistemas integrados de diagnóstico y pronóstico de salud estructural. En especial, en este centro se llevan a cabo trabajos sobre predicción de fallo para sistemas mecánicos de alta responsabilidad y de difícil inspección, como mecanismos de robots desplegados en el exterior, baterías de satélites, etc. También se trabaja en el desarrollo de algoritmos basados en Inteligencia Artificial para aplicaciones de pronóstico de fatiga en estructuras aeronáuticas.

El PCoE pertenece al Ames Research Center, que es uno de los mayores centros de la NASA. Este histórico centro de la NASA, situado en pleno Silicon Valley, California, destaca por sus laboratorios de astrobiología, nanosatélites, robótica e inteligencia artificial. En la comunidad aeronáutica, este centro es además conocido internacionalmente por alojar el mayor túnel de viento del mundo, junto a varios más que cubren todo el espectro de regímenes de velocidades de viento2 (desde el subsónico al hipersónico). Como curiosidad, se indica que el primero de los túneles citados, albergó recientemente el ensayo de despliegue del paracaídas del Robot Curiosity, en su operación de llegada a la superficie de Marte.

Agradecimientos a los autores de esta publicación y a la Demarcación de Castilla y León del Colegio de Ingenieros de Caminos, Canales y Puertos por permitir la difusión de este artículo.