Modelo de Inteligencia Artificial para predecir propiedades mecánicas de aleaciones TWIP

Abstract

Este trabajo presenta el desarrollo de un modelo de inteligencia artificial para predecir y generar propiedades mecánicas de aleaciones TWIP a partir de datos experimentales. Se exploraron diferentes arquitecturas de autoencoders (AE básico y VAE) y representaciones de datos, para optimizar la reconstrucción de curvas de esfuerzo-deformación y características de las aleaciones. Los resultados indican que la representación de curvas mediante puntos recortados y la utilización de porcentajes de componentes químicos como características, mejoran significativamente la precisión del modelo. El aumento del número de aleaciones en el conjunto de entrenamiento, también contribuye a un mejor rendimiento. Aunque la generación de datos sintéticos muestra resultados prometedores, particularmente considerando el autoencoder básico con las representaciones anteriormente mencionadas, se identificaron limitaciones en la reconstrucción de ciertas características y en la diferenciación de aleaciones con composiciones similares. A pesar de ello, este estudio demuestra el potencial de los autoencoders para modelar y generar datos de aleaciones TWIP, abriendo nuevas posibilidades para la optimización de materiales en la industria. El trabajo recomienda continuar además con la exploración de modelos FeedForward, y la incorporación de nuevas curvas experimentales para mejorar la generalización del modelo y su capacidad para predecir propiedades mecánicas de aleaciones TWIP no vistas anteriormente.