Modelado de fluencia de materiales compuestos basado en una programación mejorada de expresión genética - Grupo de productos Co., Ltd de Hangzhou FRP

Scientific Reports volumen 12, número de artículo: 22244 (2022) Citar este artículo

718 Accesos

Detalles de métricas

En este artículo se presenta un nuevo método para el modelado de fluencia y la predicción del rendimiento de materiales compuestos. Dado que el modelo de ley potencial de Findley suele ser adecuado para estudiar la fluencia unidimensional de materiales dependiente del tiempo bajo tensión baja, se utiliza un método informático inteligente para derivar tres subfunciones relacionadas con la temperatura: el modelo de fluencia en función del tiempo y la temperatura. está establecido. Para acelerar la tasa de convergencia y mejorar la precisión de la solución, se propone un algoritmo mejorado de programación de expresión genética (IGEP) mediante la adopción de la inicialización de la población basada en la probabilidad y la estrategia de selección de ruleta semi-élite. Basado en datos de fluencia a corto plazo a siete temperaturas, se desarrolla un modelo de fluencia bivariado con cierta importancia física. A temperatura fija, se adquiere el modelo de fluencia univariado. Las métricas estadísticas R2, RMSE, MAE, RRSE se utilizan para verificar la validez del modelo desarrollado en comparación con los modelos viscoelásticos. El factor de cambio se resuelve mediante la ecuación de Arrhenius. La curva maestra de fluencia se deriva del modelo de superposición tiempo-temperatura y se evalúa mediante los modelos de Burgers, Findley y HKK. El R cuadrado del modelo IGEP está por encima de 0,98, lo que es mejor que los modelos clásicos. Además, el modelo se utiliza para predecir valores de fluencia en t = 1000 h. En comparación con los valores experimentales, los errores relativos están dentro del 5,2%. Los resultados muestran que el algoritmo mejorado puede establecer modelos efectivos que predicen con precisión el comportamiento de fluencia de los compuestos a largo plazo.

Los compuestos poliméricos reforzados con fibra, como una clase de materiales compuestos ampliamente utilizados, tienen las ventajas de una alta resistencia y módulo específicos, resistencia a la fatiga y a la corrosión, baja densidad y peso ligero, que se han aplicado en el campo de la ingeniería civil, aeroespacial, automotriz y industrias de la construcción, etc.1,2. En aplicaciones prácticas, deben tener una larga vida útil. Sin embargo, las propiedades viscoelásticas de los materiales hacen que las estructuras sufran un comportamiento de fluencia durante la carga a largo plazo, lo que afecta la durabilidad y confiabilidad de los compuestos. La fluencia es una deformación dependiente del tiempo bajo tensión constante. Los mecanismos de deformación por fluencia son diferentes para cada material, pero el proceso de fluencia puede describirse generalmente para incluir tres etapas: fluencia primaria (transitoria), secundaria (estado estacionario) y terciaria (acelerada). En la etapa primaria, la deformación aumenta rápidamente y la velocidad de fluencia disminuye con el tiempo. En la etapa secundaria, la deformación es casi uniforme y la velocidad de fluencia permanece constante. En la etapa terciaria, la tasa de deformación y fluencia aumenta rápidamente hasta que el material se rompe después de sufrir una deformación total en un período de tiempo3,4. Por lo tanto, la investigación de modelos sobre el comportamiento de fluencia tiene una gran importancia teórica.

En la actualidad, los modelos que describen el comportamiento de fluencia de los compuestos se pueden dividir en dos categorías: el primer tipo es el modelo físico, que se basa en el mecanismo de fluencia del propio material y se establece con la ayuda de la micro/mesomecánica y la termodinámica. , que incluye principalmente el modelo Maxwell, el modelo Kelvin, el modelo Burgers, el modelo Boltzmann y el modelo Schapery; el segundo tipo es el modelo fenomenológico, es una descripción matemática del fenómeno de fluencia, está libre de la restricción de formas de funciones fijas y no refleja las propiedades físicas de la fluencia, que incluye principalmente el modelo de Findley y el modelo de superposición de tiempo-temperatura. Recientemente, cada vez hay más estudios sobre estos dos tipos de modelos.

En el modelo físico, Katouzian et al.5 utilizaron el método de elementos finitos para simular el comportamiento de fluencia de materiales compuestos basándose en el modelo de Schapery. Rafiee y Mazhari6 desarrollaron el modelo de Boltzmann para obtener la resistencia residual de las tuberías después de 50 años para predecir el comportamiento a largo plazo de tuberías específicas de GFRP sometidas a presión interna. Berardi et al.7 llevaron a cabo experimentos de fluencia de laminados de polímeros reforzados con fibras a temperatura ambiente y establecieron el modelo de fibras de Burgers. Jia et al.8 emplearon el modelo de Burgers y la función de distribución de Weibull para analizar los efectos de los nanorellenos en las propiedades de fluencia y recuperación de compuestos de polipropileno/nanotubos de carbono de paredes múltiples, y luego se predijo el comportamiento de fluencia a largo plazo de los materiales mediante el tiempo-temperatura. modelo de superposición. Asyraf et al.9 encontraron que el modelo de Burgers era muy práctico para explicar los comportamientos elásticos y viscoelásticos de estructuras compuestas.

En el modelo fenomenológico, Zhang et al.10 emplearon cuatro modelos viscoelásticos para cuantificar el comportamiento viscoelástico de los compuestos SCF/PEI y luego predecir el comportamiento de fluencia a largo plazo mediante el modelo de superposición tiempo-temperatura. Yang et al.11 evaluaron la deformación por fluencia a largo plazo y la resistencia mecánica del tubo mediante el modelo de superposición tiempo-temperatura y el modelo de Findley en condiciones de servicio esperadas durante toda su vida útil. Harries et al.12 demostraron un marco para evaluar el comportamiento de fluencia y el comportamiento de pandeo del GFRP, y obtuvieron parámetros confiables de Findley. Ghosh et al.13 se centraron en el impacto del refuerzo de grafeno multicapa en el rendimiento mecánico de los compuestos de fibra de vidrio/epóxido, y se predijo el rendimiento de fluencia a largo plazo a baja temperatura (30 °C) mediante el uso de deformación acelerada a temperaturas elevadas y Modelo de superposición tiempo-temperatura. Yu y Ma14 se concentraron en la influencia de la tasa de carga y la frecuencia/temperatura en el comportamiento de flexión estática y las propiedades mecánicas dinámicas del GFPP moldeado por inyección, y la durabilidad a largo plazo del PP y el GFPP se investigó mediante la curva maestra del módulo de almacenamiento construida en función del tiempo. modelo de superposición de temperaturas. Asyraf et al.15 también descubrieron que el modelo de Findley era el más adecuado para pronosticar el comportamiento de fluencia de la madera y los materiales compuestos.

La mayoría de los modelos de fluencia aproximan el comportamiento de fluencia dependiente del tiempo mediante una serie de resortes elásticos y elementos viscosos que pueden verse influenciados por algunos factores como la temperatura, el estrés, la humedad y la morfología de la fibra, lo que degrada las propiedades mecánicas de los compuestos. La baja aplicabilidad del modelo físico y del modelo fenomenológico aumenta la dificultad de los estudios de fluencia. La fluencia puede considerarse como un proceso complejo de evolución en el tiempo. Por lo tanto, la programación de expresión génica desarrollada por Ferreira16 es un algoritmo evolutivo genotipo/fenotipo y atrae una amplia atención de académicos de todo el mundo. Los individuos se codifican como cadenas lineales de longitud fija (genotipo) que luego se expresan como entidades no lineales de diferentes tamaños y formas (fenotipo). Se ha convertido rápidamente en una poderosa herramienta de modelado automático sin una gran base de datos ni ecuaciones predefinidas en la aplicación de regresión simbólica, predicción de series temporales, minería de datos y muchos otros campos17.

Recientemente, la programación de la expresión génica se ha aplicado con éxito para establecer modelos empíricos. Por ejemplo, Murad18,19 aplicó programación de expresión genética para proponer un modelo predictivo de resistencia al corte de columnas de hormigón armado sometidas a cargas cíclicas biaxiales. Además, Murad et al.20 introdujeron la programación de expresión génica para desarrollar un modelo simplificado para predecir el comportamiento a flexión de vigas de hormigón armado con FRP. Descubrieron que había una buena concordancia entre los resultados experimentales y la simulación numérica. Babanajad et al.21 desarrollaron modelos predictivos para la estimación de la resistencia triaxial verdadera del hormigón endurecido en configuraciones de confinamiento general utilizando programación de expresión genética. Iqbal et al.22 emplearon programación de expresión génica para desarrollar modelos empíricos para la predicción de propiedades mecánicas del hormigón con arena residual de fundición. Wei y Xue23 propusieron una nueva ecuación que podría predecir la permeabilidad de rocas carbonatadas compactas mediante programación de expresión genética. Hassani et al.24 presentaron un modelo predictivo de resistencia al fuego de columnas compuestas de hormigón armado con acero mediante programación de expresión genética. Shahmansouri et al.25 estudiaron la programación de la expresión génica para establecer modelos numéricos para la resistencia a la compresión de GPC basados en escoria granulada molida de alto horno y validaron el rendimiento y la previsibilidad del modelo propuesto mediante análisis paramétricos y de sensibilidad realizados. Mousavi et al.26 utilizaron programación de expresión genética para derivar un modelo empírico para la predicción de la resistencia a la compresión de mezclas de hormigón de alto rendimiento. Mansouri et al.27 desarrollaron un marco para el comportamiento de corte de uniones entre vigas y columnas de RC donde se presentó un modelo novedoso mediante programación de expresión génica. Beheshti Aval et al.28 estimaron la resistencia al corte de columnas cortas rectangulares de hormigón armado mediante programación de expresión genética. Tarawneh et al.29 emplearon programación de expresión genética para establecer un modelo preciso y confiable para predecir la capacidad de corte de vigas de concreto reforzado con fibras de acero. Kara30 presentó un modelo mejorado para predecir la resistencia al corte de vigas de hormigón armado con FRP sin estribos basado en la programación de expresión genética. Yeddula y Karthiyaini31,32 propusieron una nueva ecuación matemática para predecir la resistencia a la compresión de morteros de geopolímeros de sialato/ferrosialato utilizando programación de expresión genética. Güneyisi y Nour33,34 implementaron programación de expresión genética para desarrollar un modelo predictivo de capacidad axial de columnas de tubos de acero rellenas de hormigón. Además, algunos investigadores utilizaron programación de expresión genética para predecir la resistencia de concretos especiales como concreto liviano35 y concreto agregado reciclado36, etc. Hasta donde sabemos, la programación de expresión genética es muy efectiva en la predicción de propiedades mecánicas para resolver muchos problemas de ingeniería estructural. problemas18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36. Se han realizado algunos estudios relacionados con el modelado de fluencia basado en modelos viscoelásticos clásicos5,6,7,8,9,10,11,12,13,14,15. Por lo tanto, el objetivo de este artículo es simular el proceso de evolución de fluencia de materiales compuestos para desarrollar modelos matemáticos mediante el uso de programación de expresión genética. Se emplea un enfoque evolutivo inteligente en lugar de un enfoque basado en la viscoelasticidad. El modelo físico se utiliza generalmente para análisis teóricos y tiene muchas limitaciones. Es difícil que el modelo fenomenológico refleje el significado físico de la fluencia y es relativamente rígido. La baja adaptabilidad de estos modelos lleva a proponer métodos de computación inteligentes. La programación de la expresión genética tiene una capacidad de modelado no lineal eficiente sin la guía de conocimientos previos. La novedad del estudio consta de tres aspectos como mejora del algoritmo, validación del modelo y predicción del rendimiento para proporcionar orientación en el diseño.

La programación de la expresión genética se mejora a partir del algoritmo genético y la programación genética. Contiene todos los operadores genéticos del algoritmo tradicional e introduce algunos operadores genéticos nuevos que plantean algunos desafíos a la tasa de convergencia y la precisión de la solución. Cuando hay muchos símbolos terminales en la cabeza de un gen, es fácil generar individuos no válidos; cuando se selecciona la función de aptitud, la falta de diversidad de la población da como resultado una convergencia lenta y es fácil caer en el óptimo local. Por lo tanto, se desarrolla un algoritmo de programación de expresión génica mejorado. La inicialización de la población basada en la probabilidad se adopta para acelerar la tasa de convergencia y la selección de ruleta semi-élite se utiliza para mejorar la precisión de la solución. Además, las pruebas de fluencia se realizan para obtener datos experimentales a corto plazo; tres subfunciones del modelo de Findley relacionadas con la temperatura se derivan de un algoritmo de programación de expresión genética mejorado para establecer un modelo de fluencia bivariado. En comparación con los modelos viscoelásticos clásicos, la validez del modelo univariante se verifica mediante cuatro métricas estadísticas a temperatura fija. Por último, la curva maestra de fluencia se extrae del modelo de superposición tiempo-temperatura basado en el factor de desplazamiento. El modelo desarrollado se aplica para predecir el comportamiento de fluencia a largo plazo de los compuestos, de modo que se valide la alta precisión de predicción del modelo.

En esta sección, se proporciona el diagrama de flujo de la metodología de investigación general como se muestra en la Fig. 1. La metodología se divide en dos etapas: modelado de fluencia y predicción del rendimiento. En las subsecciones siguientes se analizan más detalles de los pasos de la investigación.

Diagrama de flujo de la metodología de investigación.

El material de matriz de este experimento es resina de poliéster insaturado tipo m-benceno FC518, que fue suministrada por Shanghai Fuchen Chemical Co., Ltd. Los materiales de refuerzo están compuestos de fibras de vidrio libres de álcalis, con las especificaciones de hilo de bobinado 2400 Tex y estera de hebras cortadas de 450 g/m2, que fueron proporcionadas por Hebei Zhongyi Composite Materials Co., Ltd. Las muestras experimentales son: resina (R), estera de hebras cortadas de fibra (CSM) y bobinado circunferencial de fibra (FWC). Según la norma GB/T 1449–2005, INSTRON5828 se utiliza para probar la resistencia a la flexión inicial (σ) de las muestras. El contenido de masa de resina (W) de cada muestra se prueba según el estándar GB/T 2577–2005, y los resultados se dan en la Tabla 1. El tamaño de cada muestra está determinado por la norma mencionada anteriormente, el espesor h = 5 mm, el ancho b = (2,5 ± 0,5) h y el largo L = (18 ± 2) h. La carga constante aplicada por la máquina de prueba universal INSTRON5848 es del 20% de la resistencia a la flexión inicial, y estos datos de prueba se leen automáticamente por computadora con un intervalo de tiempo de 0,1 s.

La Programación de Expresión Génica (GEP) inventada por Ferreira se deriva y mejora del algoritmo genético y la programación genética, es una herramienta eficiente para desarrollar modelos y consta de cromosomas con longitud fija. Cada gen en el cromosoma contiene una cabeza \(h\) y una cola \(t\), existe la siguiente relación:\(t = h(n - 1) + 1\), \(n\) es el número total de argumentos dentro de una función (aridad máxima). La cabeza de cada gen contiene símbolos de función y símbolos terminales (p. ej., {+, −, *, /,√,cos, tan, log, 6, x, a, b}). Mientras que la cola solo contiene símbolos terminales que se componen de constantes y variables (por ejemplo, {8, y, c, d}). Los cromosomas pueden verse como genomas que se modifican mediante operaciones de selección, cruce, mutación, transposición y recombinación. GEP se desarrolla en base a dos elementos esenciales: el cromosoma y el árbol de expresión (ET). El genotipo de GEP es el cromosoma y el fenotipo es ET, que se compone de entidades no lineales con diferentes tamaños y formas. Por ejemplo, el cromosoma consta de un gen y el genotipo del individuo es: * − sinQ + cab/bababbaaba, la parte en negrita es la cola. El gen tiene una longitud de cabeza de 9 y una longitud de cola de 10, por lo que la longitud total del gen es 19. El genoma y el árbol de expresión se pueden convertir entre sí de cierta manera, como se muestra en la Fig. 2.

Árbol de expresión correspondiente al genotipo.

La ecuación matemática correspondiente al genotipo se puede expresar como:\(\left( {\sqrt a { - }\left( {{\text{b}} + {b \mathord{\left/ {\vphantom {ba}} \right.\kern-0pt} a}} \right)} \right)*\left( {{\text{sinc}}} \right)\). Simultáneamente, se calcula el valor de aptitud \(Fitness(i)\) de un individuo \(i\), como se indica en la ecuación. (1).

donde \(M\) es el rango seleccionado,\(C(i,j)\) es el valor devuelto por un individuo \(i\) para el caso de aptitud \(j\)(de n casos de aptitud),\ (T(j)\) es el valor objetivo para el caso de aptitud \(j\). Si \(C(i,j) = T(j)\), existe \(Fitness(i) = n \cdot M\), el sistema puede encontrar el modelo óptimo para sí mismo de esta manera. Por lo tanto. GEP supera ampliamente las técnicas adaptativas existentes37.

Los individuos de GEP tienen genotipo lineal y fenotipo no lineal. Al mismo tiempo, GEP no solo contiene todos los operadores genéticos del algoritmo evolutivo tradicional, sino que también introduce algunos operadores nuevos, lo que plantea algunos desafíos a la tasa de convergencia y la precisión de la solución. Aunque el algoritmo GEP tiene métodos de codificación/decodificación flexibles y operaciones evolutivas, cuando hay muchos símbolos terminales en la cabeza del gen, es fácil generar individuos no válidos; cuando se selecciona la función de aptitud, la falta de diversidad de la población da como resultado una convergencia lenta y es fácil caer en el óptimo local. Por lo tanto, este artículo propone un algoritmo GEP (IGEP) mejorado. Los individuos se inicializan por probabilidad para acelerar la tasa de convergencia; La selección de la ruleta semi-élite se realiza para mejorar la precisión de la solución. Su diagrama de flujo se muestra en la Fig. 3.

Diagrama de flujo del algoritmo IGEP.

Los pasos detallados del algoritmo se dan en la Tabla 2.

El bajo costo de tiempo del algoritmo IGEP es muy importante para construir el modelo. Dado que el número máximo de iteraciones es \(MAXGEN\), el tamaño de la población es \(N\), el tamaño de la población de élite es \(M\), la longitud del gen es \(len\) y el tamaño de datos de muestra es \(S\). Como se puede saber por el algoritmo, en el Paso 1, se atraviesan individuos con una longitud de \(len\) y se realiza la codificación del gen. Por lo tanto, la complejidad temporal del proceso de inicialización de la población es \(O\left( {N \cdot len} \right)\). En el Paso 2, se evalúa el valor de aptitud de cada individuo, por lo que la complejidad temporal es \(O\left( {N \cdot S} \right)\). En el Paso 3, en primer lugar, se calcula la relación entre la aptitud individual y la aptitud general, y su complejidad temporal es \(O\left( N \right)\); en segundo lugar, la estrategia de la ruleta semi-élite se utiliza para seleccionar individuos, la complejidad temporal es \(O\left( {N^{2} } \right)\); en tercer lugar, el algoritmo de clasificación se emplea para seleccionar la población de élite, y su complejidad temporal es \(O\left( {N\log \left( N \right)} \right)\); finalmente, los individuos restantes se regeneran con una complejidad temporal de \(O((N - M) \cdot len) \approx O(N \cdot len)\). Por lo tanto, la complejidad de tiempo total requerida en el Paso 3 es \(O\left( {\left( {N + \log \left( N \right) + len + 1} \right) \cdot N} \right)\). En el Paso 4, se realizan tres operaciones genéticas en paralelo; cuando se intercambian los genes, su complejidad temporal es \(O\left( {N \cdot len} \right)\). En resumen, la complejidad temporal requerida para una iteración es \(O(3N \cdot len + N \cdot S + N^{2} + N + N \cdot \log (N))\). Después de eliminar el término constante y simplificar la fórmula, la complejidad temporal total de todas las iteraciones es \(O((len + S + N + \log (N)) \cdot N \cdot MAXGEN)\)38.

El modelo de Burgers es una combinación de elementos de Maxwell y Kelvin-Voigt, es uno de los modelos más utilizados para dar la relación entre la morfología de los compuestos y su comportamiento de fluencia39, que es un modelo de cuatro elementos, como se muestra en la Fig. 4.

Diagrama esquemático del modelo Burgers.

Para el caso más general de materiales viscoelásticos lineales, la deformación por fluencia total es esencialmente la suma de tres partes separadas: \(\varepsilon_{1}\) es la deformación elástica instantánea; \(\varepsilon_{2}\) es la deformación elástica retardada; \(\varepsilon_{3}\) es el flujo newtoniano, es lo mismo que la deformación de un líquido viscoso que obedece a la ley de viscosidad de Newton. La deformación total \(\varepsilon_{{\text{B}}} (t)\) en función del tiempo corresponde a la siguiente ecuación. (2). Las ecuaciones constitutivas de fluencia del modelo de Burgers toman las formas básicas:

donde t denota el tiempo después de la carga, \(\sigma_{0}\) es la tensión aplicada, \(C_{{\text{B}}} (t)\) es la elasticidad de fluencia,\(E_{i} \) y \(\eta_{i}\) son los parámetros del modelo, \(i{ = }1,2\).\(E_{1}\) y \(\eta_{1}\) son los elásticos módulo y viscosidad del resorte Maxwell y del amortiguador, respectivamente; \(E_{2}\) y \(\eta_{2}\) son el módulo elástico y la viscosidad del resorte Kelvin y el amortiguador, respectivamente.

Se construyen varios modelos físicos mediante diferentes combinaciones de resortes elásticos y elementos de amortiguador viscoso que pueden describir histéresis y fluencia, como el modelo de Maxwell y el modelo de Kelvin. El modelo HKK es una combinación de un cuerpo de resorte Hooke y dos modelos Kelvin (llamados HKK), describe el proceso de fluencia de materiales compuestos y sus elementos se muestran en la Fig. 5.

Diagrama esquemático del modelo HKK.

Las ecuaciones constitutivas del modelo HKK toman las formas básicas:

donde t es el tiempo,\(\sigma_{0}\) es la tensión aplicada, \(\varepsilon_{{\text{H}}} (t)\) es la deformación total, \(C_{{\text) {H}}} (t)\) es la conformidad de fluencia, \(E_{i}\) y \(\eta_{j}\) son los parámetros del modelo, \(i{ = }0,1,2\ ), \(j{ = }1,2\).\(E_{0}\) es el módulo elástico inicial; \(E_{1}\) y \(E_{2}\) son los módulos elásticos de los resortes Kelvin, respectivamente; \(\eta_{1}\) y \(\eta_{2}\) son las viscosidades de los amortiguadores Kelvin, respectivamente.

El modelo fenomenológico desarrollado por Findley introduce una expresión matemática para describir el comportamiento de fluencia de los materiales compuestos que es más adecuada para la predicción de la deformación por fluencia y puede predecir eficazmente el rendimiento mecánico de los materiales compuestos. En este modelo, la respuesta de fluencia se puede dividir en deformaciones independientes y dependientes del tiempo; la deformación de fluencia se puede expresar de la siguiente manera:

donde \(\varepsilon_{0}\) es la deformación elástica inicial dependiente de la tensión e independiente del tiempo,\(\varepsilon_{c}\) es un coeficiente relacionado con la tensión y la temperatura, t es el tiempo, n es una tensión -Constante de material independiente y dependiente de la temperatura40. Bajo tensión constante, se podría derivar la forma siguiente (7), donde C0 es la fluencia inicial dependiente de la temperatura, m es un coeficiente relacionado con la temperatura y n es un parámetro del material adimensional que depende de la temperatura. Dado que en el análisis teórico no se ha deducido la forma matemática específica del modelo de Findley con tiempo y temperatura, a diferentes temperaturas, C puede determinarse como una función bivariada tanto del tiempo como de la temperatura. Por lo tanto, el modelo Findley se considera como un marco de modelado, el modelo modificado se representa como:

Suponiendo que el cumplimiento de la fluencia es una función relacionada con el tiempo y la temperatura, el comportamiento de fluencia de los compuestos a baja temperatura durante un largo tiempo se puede predecir utilizando datos de fluencia a corto plazo a altas temperaturas. La curva de cumplimiento de fluencia \(C\left( {T_{ref} ,t/\phi_{T} } \right)\) a la temperatura de referencia \(T_{ref}\) se puede construir desplazando la curva de cumplimiento a corto plazo \(C\left( {T_{i} ,t} \right)\) a diferentes temperaturas a lo largo del eje de tiempo logarítmico mediante el factor de desplazamiento \(\phi_{T}\), por lo que se deriva la curva maestra de fluencia suave, que es la superposición tiempo-temperatura (TTSP), la ecuación de cálculo es la siguiente:

donde \(C\left( {T_{i} ,t} \right)\) es el cumplimiento de la fluencia,\(T_{i}\) son diferentes temperaturas de prueba, t es el tiempo,\(T_{ref}\ ) es la temperatura de referencia,\(\phi_{T}\) es el factor de desplazamiento.

Suponiendo que la energía de activación es constante, se obtiene el factor de cambio tiempo-temperatura \(\phi_{T}\) para construir la curva maestra de fluencia, que concuerda cuantitativamente con la ecuación de Arrhenius, la fórmula se da en (9), que proporciona un método confiable para predecir el rendimiento de fluencia a largo plazo de los materiales compuestos.

donde \(E_{a}\) es la energía de activación [\({\text{kJmol}}^{{ - 1}}\)], R es la constante universal de los gases con un valor de \(8.314 \times 10^ { - 3} {\text{ kJK}}^{{ - 1}} {\text{mol}}^{{ - 1}}\),\(T\) es la temperatura de prueba [K]. La ecuación (9) es aplicable para temperaturas por debajo de la temperatura de transición vítrea.

Los ensayos de flexión en tres puntos se llevan a cabo bajo carga constante. Las temperaturas de las muestras R, CSM y FWC se establecen en 20 °C, 25 °C, 30 °C, 35 °C, 40 °C, 45 °C y 50 °C, respectivamente. Según los estándares, estas muestras deben mantenerse dentro de una cámara de temperatura constante durante 20 minutos antes de realizar la prueba para garantizar que se alcance la temperatura experimental. Se prueban los comportamientos de fluencia por flexión a corto plazo (1 h) de tres muestras a siete temperaturas, y se obtienen datos de fluencia que varían de 0 a 3600 s. El contenido de resina de la muestra R es del 100%, sin ninguna restricción de materiales de refuerzo, por lo que el cumplimiento de la fluencia y la tasa de crecimiento de la fluencia son los mayores, y su resistencia a la fluencia es la más débil; el contenido de resina de la muestra FWC es el más bajo y sus fibras continuas tienen el efecto de restricción más fuerte sobre la deformación de la resina, por lo que su cumplimiento de la fluencia es el más pequeño y la resistencia a la fluencia es la más fuerte; El contenido de resina de la muestra de CSM es relativamente alto, muchas interfaces conducen a la concentración de tensiones y el efecto de restricción de las fibras cortadas sobre la resina no es tan fuerte como el de las fibras continuas, por lo que su cumplimiento de la fluencia y la resistencia a la fluencia se encuentran entre los dos. Por lo tanto, se podrían dibujar las curvas de cumplimiento de fluencia C-tiempo t de las muestras R, CSM y FWC, como se muestra en la Fig. 6.

Curvas de cumplimiento de fluencia C-tiempo t de tres muestras a siete temperaturas.

Varios parámetros intervienen en el establecimiento del modelo IGEP y afectan la capacidad de generalización del modelo. Para obtener un modelo IGEP más preciso y reducir la complejidad temporal, es necesario establecer parámetros apropiados para la resolución de problemas, incluida la función de aptitud, el número de iteraciones, el tamaño de la población, el número de genes, la función de enlace y las probabilidades de los operadores genéticos. Con base en múltiples pruebas, los parámetros finales seleccionados para el algoritmo IGEP se dan en la Tabla 3.

Se utilizan cuatro métricas de evaluación, a saber, el coeficiente de determinación R cuadrado R2, el error cuadrático medio RMSE, el error absoluto medio MAE y el error de raíz cuadrada relativo RRSE, para evaluar el rendimiento y comparar la precisión de la predicción de los modelos. Estos criterios se calculan de la siguiente manera:

donde n es el número de puntos de datos, \(y_{i}\) es el valor medido, \(\overline{y}\) es el valor promedio y \(\hat{y}_{i}\) es el valor predicho. R2 mide el grado de correlación; cuanto mayor sea el valor de R2, mejor será el rendimiento del modelo; RMSE es una medida de la varianza residual; un RMSE más bajo representa una estimación más precisa; cuanto más pequeños sean los valores de MAE y RRSE, mejor será el rendimiento del modelo.

Los experimentos se implementan en una PC con CPU Intel Core i5-4460 de 3,20 GHz, 8 GB de memoria, sistema operativo Win7 de 64 bits y el entorno de software es MATLAB R2016a.

Basado en datos de fluencia a corto plazo de 0 a 3600 s, el modelo de Findley se modifica para expresarlo como una función del tiempo y la temperatura mediante el algoritmo IGEP. Por lo tanto, se establecen los modelos IGEP bivariados tiempo-temperatura para tres muestras; los resultados del modelado se dan en la Tabla 4, donde \(a_{i}\)(i = 1, 2, 3,…) es el parámetro del modelo, C0 , myn son tres subfunciones relacionadas con la temperatura T respectivamente, y R2 de tres modelos está por encima de 0,98. Además, estas ecuaciones de Findley modificadas son adecuadas para describir el comportamiento de fluencia en todas las condiciones isotérmicas, aunque la función del núcleo es diferente en cada temperatura. Se puede saber que a una temperatura fija, cuando el tiempo tiende a infinito, el modelo IGEP de muestras cuenta con las propiedades físicas de fluencia. Además, los valores de las derivadas de primer y segundo orden se acercan a cero, el modelo IGEP satisface la ley de variación de que la deformación por fluencia aumenta monótonamente y tiende a ser estable.

Se analiza la muestra R, se utilizan los valores de cumplimiento de fluencia a 25 °C, 30 °C, 35 °C, 40 °C y 45 °C como conjunto de datos de entrenamiento y se establece un modelo de fluencia bivariado de tiempo y temperatura. La curva de ajuste y la superficie de ajuste se representan en las Figs. 7a y 8a. El coeficiente de determinación R2 es 0.9928 obtenido por el modelo IGEP, los valores de RMSE, MAE y RRSE son 0.0487, 0.0430 y 0.0848 para la fase de entrenamiento, respectivamente. Además, los valores de cumplimiento de fluencia a 20 °C y 50 °C se utilizan como conjunto de datos de validación, el coeficiente de determinación R2 es 0,9983 obtenido por el modelo IGEP, los valores de RMSE, MAE y RRSE son 0,0538, 0,0397 y 0,0407 para la fase de validación, respectivamente. , como se proporciona en la Tabla 5. Los valores de las métricas estadísticas son efectivamente similares para el conjunto de entrenamiento y validación, los resultados indican una alta capacidad de generalización y una capacidad de predicción precisa del modelo IGEP. Se puede encontrar que existe una buena coincidencia entre los datos experimentales y el ajuste de curvas con errores bajos.

Curvas de ajuste para tres probetas.

Superficies de montaje para tres probetas.

De manera similar, se analiza la muestra de CSM, se utilizan los valores de cumplimiento de la fluencia a 20 °C, 30 °C, 35 °C, 40 °C y 50 °C como conjunto de datos de entrenamiento y se establece un modelo de fluencia bivariado. La curva de ajuste y la superficie de ajuste se representan en las Figs. 7b y 8b. El coeficiente de determinación R2 es 0.9962 obtenido por el modelo IGEP, los valores de RMSE, MAE y RRSE son 0.0148, 0.0109 y 0.0617 para la fase de entrenamiento, respectivamente. Además, los valores de cumplimiento de fluencia a 25 °C y 45 °C se utilizan como conjunto de datos de validación, R2 es 0,9638 obtenido por el modelo IGEP, los valores de RMSE, MAE y RRSE son 0,0458, 0,0421 y 0,1903 para la fase de validación, respectivamente, como se establece en Tabla 6. Simultáneamente, se analiza la muestra FWC, se utilizan los valores de cumplimiento de fluencia a 20 °C, 25 °C, 30 °C, 45 °C y 50 °C como conjunto de datos de entrenamiento y se establece un modelo de fluencia bivariado. La curva de ajuste y la superficie de ajuste se representan en las Figs. 7c y 8c. El coeficiente de determinación R2 es 0.9867 obtenido por el modelo IGEP, los valores de RMSE, MAE y RRSE son 0.0264, 0.0172 y 0.1154 para la fase de entrenamiento, respectivamente. Además, los valores de cumplimiento de fluencia a 35 °C y 40 °C se utilizan como conjunto de datos de validación, R2 es 0,9242 obtenido por el modelo IGEP, los valores de RMSE, MAE y RRSE son 0,0109, 0,0089 y 0,2753 para la fase de validación, respectivamente, como se establece en Tabla 7. Los valores altos de R2 y bajos de RMSE, MAE y RRSE demuestran que los modelos IGEP desarrollados están entrenados de manera efectiva y pueden describir bien el rendimiento de fluencia de los compuestos a diferentes temperaturas.

Debido a la baja adaptabilidad de los modelos clásicos en condiciones complejas, la investigación previa sobre el rendimiento de la fluencia se centra principalmente en modelos de fluencia univariados relacionados con el tiempo o la curva maestra de fluencia extraída de TTSP. Por lo tanto, se utiliza el algoritmo IGEP para establecer un modelo bivariado de tiempo-temperatura y obtener la superficie de ajuste. Cuando se fija una determinada temperatura, el modelo de fluencia bivariado se analiza mediante reducción de dimensiones. Luego, la superficie tridimensional se convierte en una curva bidimensional y se adquiere el modelo univariante en función del tiempo. Para verificar aún más la validez del modelo de fluencia bivariado, se analiza el modelo IGEP para la muestra R y se obtiene la curva de fluencia a una temperatura fija de 40 °C. En comparación con el modelo de Burgers, el modelo de Findley y el modelo HKK, los resultados del ajuste de curvas se representan en la Fig. 9a. Al mismo tiempo, se calculan cuatro valores métricos de R2, RMSE, MAE y RRSE, como se indica en la Tabla 8. De manera similar, los modelos IGEP para muestras CSM y FWC se analizan mediante reducción de dimensiones y se obtienen las curvas de fluencia a 50 °C. . En comparación con los modelos viscoelásticos, los resultados del ajuste de la curva se representan en la Fig. 9b,c. Simultáneamente, el rendimiento general del modelo IGEP puede validarse mediante cuatro métricas R2, RMSE, MAE y RRSE; los valores se proporcionan en la Tabla 8.

Modelos de fluencia para muestras R, CSM y FWC a temperatura fija de 40 °C, 50 °C y 50 °C.

Dado que la mayoría de los modelos de fluencia son modelos univariados relacionados con el tiempo, y hay pocos modelos con múltiples variables, en este trabajo IGEP desarrolla un nuevo programa de modelado bivariado, el efecto de la temperatura se introduce en la ecuación tradicional de fluencia de la ley potencial de Findley. Se puede ver claramente en la tabla que los valores R2 del modelo IGEP univariado para tres muestras están por encima de 0,92 mediante el análisis de reducción de dimensiones, el coeficiente de determinación de cuatro modelos es relativamente alto y está cerca entre sí. Los resultados muestran que la curva de ajuste del modelo IGEP casi concuerda con los datos experimentales.

Calcular la energía de activación es una técnica muy útil para estimar el factor de desplazamiento para la superposición tiempo-temperatura sin construir una curva maestra completa. Las energías de activación \(E_{a}\) de las muestras R, CSM y FWC se obtienen mediante análisis térmico mecánico dinámico y son 365,50 kJ/mol, 337,07 kJ/mol y 319,66 kJ/mol, respectivamente. Suponer que \(E_{a}\) es válido solo por debajo de la temperatura de transición vítrea del material. En este artículo, se selecciona 23 °C como temperatura de referencia \(T_{ref}\). Dado que algunas temperaturas experimentales son superiores a la temperatura de referencia de 23 °C, otras son inferiores a 23 °C. Para \(T > T_{ref}\), el logaritmo del factor de desplazamiento \(\lg \phi_{T}\) es negativo, lo que da como resultado una curva de cumplimiento de fluencia desplazada hacia la derecha. Por el contrario, para \(T < T_{ref}\), el logaritmo del factor de desplazamiento \(\lg \phi_{T}\) es positivo, lo que da como resultado una curva de fluencia desplazada hacia la izquierda. Según la ecuación de Arrhenius, el logaritmo del factor de desplazamiento para tres muestras se calcula como se indica en la Tabla 9. Se ve claramente que el orden de \(\lg \phi_{T}\) para tres muestras a la misma temperatura es el siguiente : \(\left| {{\text{lg}}\left( {\text{R}} \right)} \right| > \left| {{\text{lg}}\left( {{\text {CSM}}} \right)} \right| > \left| {{\text{lg}}\left( {{\text{FWC}}} \right)} \right|\). Cuanto mayor sea el logaritmo del factor de desplazamiento, mayor será el efecto de las temperaturas sobre el comportamiento de fluencia de los compuestos. Por lo tanto, la sensibilidad de la fluencia a las temperaturas para tres muestras es: R > CSM > FWC.

Cuando se utilizan datos experimentales a corto plazo de cumplimiento de fluencia C-tiempo t a siete temperaturas, se puede derivar la curva maestra de fluencia de las muestras R, CSM y FWC a partir de TTSP, como se muestra en la Fig. 10. El modelo de Findley es un modelo fenomenológico paramétrico adecuado para comportamiento de fluencia en condiciones de baja tensión. El modelo Burgers y el modelo HKK son modelos físicos clásicos. En la actualidad, existen diferentes métodos para el ajuste de curvas maestras. El eje de abscisas en la Fig. 10 representa el logaritmo del tiempo \(\lg t\). Para facilitar la observación, el eje de abscisas se convierte en tiempo t y se traza para proporcionar referencia para el diseño estructural de ingeniería. El modelo IGEP y los modelos viscoelásticos se establecen ajustando los datos de la curva maestra de fluencia para tres muestras. Los resultados se muestran en la Fig. 11. Además, se calculan los valores métricos de cuatro modelos, como se indica en la Tabla 10.

Curvas maestras de fluencia para tres especímenes.

Curvas maestras de fluencia y curvas de ajuste para tres muestras.

Aparentemente, se puede revelar que el R2 del modelo IGEP está por encima de 0,98 y la curva se ajusta bien a los datos experimentales. R2, RMSE, MAE y RRSE se utilizan como métricas de evaluación, el efecto de ajuste del modelo IGEP es mejor que el del modelo Findley, y mucho mejor que el del modelo Burgers y el modelo HKK, lo que indica que el modelo IGEP puede describir bien la fluencia a largo plazo. Rendimiento de los materiales compuestos. Cuando los valores de cumplimiento de fluencia de las muestras R y CSM se aumentan 1010 veces, y los valores de cumplimiento de fluencia de la muestra FWC se aumentan 1011 veces, los parámetros del modelo se calculan con la ayuda del software computacional Origin 2018, los resultados se proporcionan en las tablas. 11, 12 y 13.

Dado que los experimentos de fluencia a temperatura ambiente requieren mucho tiempo, se realiza la caracterización acelerada del comportamiento de fluencia a largo plazo. El factor de cambio se resuelve mediante la ecuación de Arrhenius; los datos de fluencia a corto plazo a altas temperaturas podrían usarse para predecir el rendimiento de fluencia a largo plazo a bajas temperaturas. Para verificar la validez del modelo TTSP, bajo carga constante, se llevan a cabo pruebas de fluencia a largo plazo entre 0 y 1000 h a una temperatura de referencia de 23 °C, y se miden los datos experimentales de fluencia correspondientes para muestras R, FWC y CSM. para comparar con la curva maestra de fluencia obtenida según TTSP.

Cuando se selecciona para el análisis la distensibilidad de fluencia en t = 1000 h, se establecen cuatro modelos ajustando la curva maestra para predecir los valores en t = 1000 h. El valor predicho del modelo TTSP se compara con el valor experimental a 23 °C y luego se calcula el error relativo δTTSP; los resultados se proporcionan en las Tablas 14 y 15. Se puede ver que el error relativo δTTSP predicho por el modelo TTSP para la muestra R es 5,18%; el error relativo δTTSP para la muestra CSM es 2,22%; y el error relativo δTTSP para la muestra FWC es 1,15 %, todos están dentro del 6 %. Está bien demostrado que la vida de fluencia por flexión a largo plazo de los compuestos se puede predecir con precisión mediante un método de prueba acelerado a altas temperaturas.

Sin embargo, en la Tabla 14 se ve claramente que el efecto de predicción del modelo IGEP para la muestra R es mejor que el del modelo TTSP y el modelo Findley, mucho mejor que el del modelo Burgers y el modelo HKK; el efecto de predicción del modelo IGEP para muestras CSM es comparable al del modelo Findley, mejor que el del modelo TTSP y mucho mejor que el del modelo Burgers y el modelo HKK; El efecto de predicción del modelo IGEP para muestras FWC es mejor que el del modelo TTSP y comparable al de otros modelos de fluencia. Se concluye que el modelo IGEP es una mejor manera de simular la curva maestra de fluencia.

Al mismo tiempo, tomando el error relativo δ entre el valor de fluencia predicho por cada modelo y el valor experimental en t = 1000 h como métrica estadística, se puede ver en la Tabla 15 que el error relativo δIGEP del modelo IGEP para la muestra R es el más pequeño. , es del 5,11%; el error relativo δIGEP del modelo IGEP para la muestra CSM es casi el mismo que el error δFindley del modelo Findley, es 0,61%; en t = 1000 h, el efecto de predicción de cada modelo para la muestra FWC es mejor que el del modelo TTSP, y el error relativo δ es muy pequeño, todos están por debajo del 0,6%. Los valores predichos son extremadamente consistentes con los valores experimentales. Los experimentos y la teoría se integran para verificar la validez del método de caracterización acelerada. La comparación de los modelos desarrollados y los resultados de las pruebas aceleradas indica que el modelo IGEP tiene una mayor precisión de predicción que los modelos de Burgers, Findley y HKK al describir el rendimiento de fluencia a largo plazo de los materiales compuestos.

El modelado de fluencia de materiales compuestos es un tema ampliamente estudiado en el campo de la ciencia e ingeniería de materiales. Este artículo solo investiga el efecto del tiempo y la temperatura sobre el comportamiento de fluencia por flexión de los compuestos, que es muy importante para la vida útil. Sin embargo, bajo condiciones complejas, hay muchos factores involucrados en la falla por fluencia de los materiales, como la humedad, la migración y difusión atómica, la iniciación y propagación de grietas, la morfología y orientación de las fibras; existe incertidumbre en las propiedades de fluencia de los compuestos, por lo que los estudios empíricos El modelo de predicción no es lo suficientemente preciso. Además, el efecto conjunto de varios factores dificulta la simulación del proceso de evolución de la fluencia desde una perspectiva microscópica. Por lo tanto, se puede utilizar un algoritmo inteligente de enjambre para establecer un modelo de relación matemática entre múltiples factores y resultados desde una perspectiva macroscópica. No se considera que la aleatoriedad y la falta de claridad de la fluencia resulten en el fracaso de los modelos clásicos. Por lo tanto, el método aleatorio difuso se utiliza para mejorar el algoritmo tradicional de enjambre de partículas y obtener un modelo eficiente para describir el rendimiento de la fluencia41. El funcionamiento del instrumento y la prueba de la muestra provocan ciertos errores en los datos obtenidos. La prueba de fluencia se realiza bajo carga constante, pero la carga es variable en la aplicación práctica. Se establece un modelo eficaz para describir las propiedades de fluencia de los compuestos en condiciones de carga y descarga escalonadas para proporcionar apoyo teórico para el análisis de deformación y la estabilidad a largo plazo42.

El algoritmo evolutivo inteligente es fácil de implementar y tiene una gran escalabilidad al seleccionar diferentes funciones básicas, como la función exponencial y la función de potencia. Cuando hay pocas muestras experimentales, la información útil aún se puede analizar y extraer de los datos, de modo que se reduce la carga de trabajo de prueba en el proceso de modelado de fluencia. El modelado de métodos alternativos demuestra que la predicción del algoritmo de aprendizaje automático es superior a otros métodos en la literatura43, tiene una aplicabilidad de ingeniería más amplia y una mayor precisión de predicción al describir el rendimiento de fluencia a largo plazo de los compuestos. GEP es un algoritmo evolutivo eficiente, puede considerarse como un enfoque prometedor para diseñar modelos empíricos basados en fenómenos experimentales y leyes de variación. Dado que los experimentos de fluencia a temperatura ambiente deben llevar mucho tiempo, la aplicación del método de caracterización acelerada puede reducir su costo de tiempo por datos de fluencia a corto plazo. Aunque las pruebas mecánicas son una de las formas más directas de estudiar las propiedades mecánicas de los materiales, las pruebas de fluencia sofisticadas y que requieren mucho tiempo podrían evitarse mediante la simulación por computadora utilizando GEP.

Para resumir este artículo, se propone un método informático inteligente para el modelado de fluencia de materiales compuestos. Para derivar tres subfunciones del modelo de Findley relacionadas con la temperatura, se desarrolla un algoritmo GEP mejorado para establecer un modelo bivariado. La inicialización de la población basada en la probabilidad y la selección de la ruleta semi-élite se adoptan para acelerar la tasa de convergencia y mejorar la precisión de la solución. Además, en comparación con los modelos de Burgers, Findley y HKK, la validez del modelo univariado a temperatura fija se verifica mediante las métricas R2, RMSE, MAE y RRSE. Por último, las curvas de fluencia a corto plazo se trazan como curva maestra de fluencia basada en el factor de desplazamiento; el error relativo en t = 1000 h se utiliza como métrica estadística. El modelo IGEP establecido mediante el ajuste de la curva maestra tiene errores de predicción más bajos para tres muestras, todas están dentro del 6%. Los resultados experimentales indican que el modelo IGEP puede predecir con precisión el comportamiento de fluencia a largo plazo de los materiales compuestos. Este trabajo no sólo amplía el campo de aplicación del algoritmo GEP, sino que también proporciona un nuevo método para el modelado de fluencia.

En trabajos futuros, a excepción del TTSP, se podrían ampliar otros modelos de superposición y se han estudiado razonablemente para acelerar la caracterización del desempeño a largo plazo. Cuando se estudie más a fondo el efecto del contenido de fibra y el tratamiento de la superficie sobre las propiedades de fluencia de los compuestos, el algoritmo GEP se utilizará eficientemente para desarrollar un modelo de fluencia multivariable en función de la temperatura, la tensión y la fibra, lo cual es de gran importancia para investigar el comportamiento de fluencia de los compuestos. diseño y predicción de vida.

Los datos utilizados para respaldar los hallazgos de este estudio están disponibles del autor correspondiente previa solicitud razonable.

D'Ambrisi, A., Mezzi, M., Feo, L. & Berardi, VP Análisis de estructuras de mampostería reforzadas con materiales de matriz cementosa reforzada con red polimérica. Compos. Estructura. 113(1), 264–271. https://doi.org/10.1016/j.compstruct.2014.03.032 (2014).

Artículo de Google Scholar

Perrella, M., Berardi, VP y Cricrì, G. Una metodología novedosa para la identificación de la ley de cohesión de corte de refuerzos adheridos. Compos. Parte. B-Ing. 144, 126-133. https://doi.org/10.1016/j.compositesb.2018.02.027 (2018).

Artículo CAS Google Scholar

Bouziadi, F., Boulekbache, B., Haddi, A., Hamrat, M. & Djelal, C. Modelado de elementos finitos del comportamiento de fluencia de vigas de hormigón armado reforzadas externamente con FRP. Ing. Estructura. 204, 109908. https://doi.org/10.1016/j.engstruct.2019.109908 (2019).

Artículo de Google Scholar

Lin, C. y col. Identificación estructural en la deformación a largo plazo característica de la cimentación de una presa mediante técnicas de optimización metaheurística. Adv. Ing. Software. 148, 102870. https://doi.org/10.1016/j.advengsoft.2020.102870 (2020).

Artículo de Google Scholar

Katouzian, M., Vlase, S. y Scutru, ML Simulación del comportamiento de fluencia basada en el método de elementos finitos de un compuesto viscoelástico de fibra de carbono. Polímeros 13(7), 1017. https://doi.org/10.3390/polym13071017 (2021).

Artículo CAS Google Scholar

Rafiee, R. & Mazhari, B. Simulación de pruebas hidrostáticas a largo plazo en tuberías de plástico reforzadas con fibra de vidrio. Compos. Estructura. 136, 56–63. https://doi.org/10.1016/j.compstruct.2015.09.058 (2016).

Artículo de Google Scholar

Berardi, VP, Perrella, M., Feo, L. & Cricrì, G. Comportamiento de fluencia de los laminados de GFRP y sus fases: investigación experimental y modelado analítico. Compos. Parte. B-Ing. 122, 136-144. https://doi.org/10.1016/j.compositesb.2017.04.015 (2017).

Artículo CAS Google Scholar

Jia, Y., Peng, K., Gong, X. y Zhang, Z. Fluencia y recuperación de compuestos de nanotubos de polipropileno/carbono. En t. J. Plast. 27(8), 1239-1251. https://doi.org/10.1016/j.ijplas.2011.02.004 (2011).

Artículo CAS MATH Google Scholar

Asyraf, MRM, Ishak, MR, Sapuan, SM & Yidris, N. Comparación de comportamientos de fluencia estática y a largo plazo entre madera de balau y compuesto de polímero reforzado con fibra de vidrio para aplicación en cruz. Fibra. Polimero. 22(3), 793–803. https://doi.org/10.1007/s12221-021-0512-1 (2021).

Artículo CAS Google Scholar

Zhang, YY et al. Comportamiento de fluencia a tracción de compuestos de polieterimida reforzados con fibra corta de carbono. Compos. Parte. B-Ing. 212, 108717. https://doi.org/10.1016/j.compositesb.2021.108717 (2021).

Artículo CAS Google Scholar

Yang, Z. y col. Ensayos de fluencia a flexión y comportamiento mecánico a largo plazo de tubos compuestos poliméricos reforzados con fibra. Compos. Estructura. 193, 154-164. https://doi.org/10.1016/j.compstruct.2018.03.083 (2018).

Artículo de Google Scholar

Harries, KA, Guo, Q. & Cardoso, D. Creep y pandeo por fluencia de miembros de polímero pultruido reforzado con vidrio. Compos. Estructura. 181, 315–324. https://doi.org/10.1016/j.compstruct.2017.08.098 (2017).

Artículo de Google Scholar

Ghosh, SK y cols. Predicción del comportamiento de fluencia de compuestos epoxi/fibra de vidrio incrustados en grafeno multicapa utilizando el principio de superposición tiempo-temperatura. Compos. Parte. A-Appl. Pág. 107, 507–518. https://doi.org/10.1016/j.compositesa.2018.01.030 (2018).

Artículo CAS Google Scholar

Yu, L. & Ma, Y. Tasa de carga y dependencia de la temperatura del comportamiento de flexión en compuestos de polipropileno reforzado con fibra de vidrio moldeados por inyección. Compos. Parte. B-Ing. 161, 285–299. https://doi.org/10.1016/j.compositesb.2018.10.035 (2019).

Artículo CAS Google Scholar

Asyraf, MRM, Ishak, MR, Sapuan, SM y Yidris, N. Utilización de brazos de refuerzo como refuerzo adicional en crucetas compuestas de polímero reforzado con fibra de vidrio pultruido: análisis numéricos y experimentales de fluencia. Polímeros 13(4), 620. https://doi.org/10.3390/polym13040620 (2021).

Artículo CAS Google Scholar

Ferreira, C. Programación de expresión genética: un nuevo algoritmo adaptativo para la resolución de problemas. Complejo. Sistema. 13(2), 87–129. https://doi.org/10.48550/arXiv.cs/0102027 (2001).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Peng, Y., Yuan, C., Qin, X., Huang, J. y Shi, Y. Un enfoque mejorado de programación de expresión genética para problemas de regresión simbólica. Neurocomputación 137, 293–301. https://doi.org/10.1016/j.neucom.2013.05.062 (2014).

Artículo de Google Scholar

Murad, YZ Modelo predictivo para la resistencia al corte bidireccional de columnas de hormigón armado sometidas a cargas cíclicas biaxiales. Ing. Estructura. 244, 112781. https://doi.org/10.1016/j.engstruct.2021.112781 (2021).

Artículo de Google Scholar

Murad, YZ Modelos de resistencia al corte de juntas para conexiones exteriores de viga-columna de RC expuestas a cargas cíclicas biaxiales y uniaxiales. J. Construir. Ing. 30, 101225. https://doi.org/10.1016/j.jobe.2020.101225 (2020).

Artículo de Google Scholar

Murad, YZ y cols. Predicción de la resistencia a la flexión de vigas de hormigón reforzadas con barras de FRP mediante programación de expresión genética. Estructuras 33, 3163–3172. https://doi.org/10.1016/j.istruc.2021.06.045 (2021).

Artículo de Google Scholar

Babanajad, SK, Gandomi, AH y Alavi, AH Nuevos modelos de predicción para la resistencia última del hormigón en estados de tensión triaxiales verdaderos: un enfoque evolutivo. Adv. Ing. Software. 110(8), 55–68. https://doi.org/10.1016/j.advengsoft.2017.03.011 (2017).

Artículo de Google Scholar

Iqbal, MF y cols. Predicción de propiedades mecánicas del hormigón verde incorporando arena de fundición residual basada en programación de expresión genética. J. Peligro. Madre. 384, 121322. https://doi.org/10.1016/j.jhazmat.2019.121322 (2020).

Artículo CAS Google Scholar

Wei, Y. & Xue, X. Predicción de la permeabilidad en rocas carbonatadas compactas mediante programación de expresión genética (GEP). Roca. Mec. Roca. Ing. 54(5), 2581–2593. https://doi.org/10.1007/s00603-021-02382-6 (2021).

Artículo de Google Scholar

Hassani, M., Safi, M., Ardakani, RR y Daryan, AS Predicción de la resistencia al fuego de columnas SRC mediante programación de expresión genética. J. Estructura. Fuego. Ing. 12(2), 125-140. https://doi.org/10.1108/JSFE-04-2020-0013 (2020).

Artículo de Google Scholar

Shahmansouri, AA, Bengar, HA y Ghanbari, S. Predicción de la resistencia a la compresión de hormigón geopolímero ecoeficiente basado en GGBS utilizando el método GEP. J. Construir. Ing. 31, 101326. https://doi.org/10.1016/j.jobe.2020.101326 (2020).

Artículo de Google Scholar

Mousavi, SM, Aminian, P., Gandomi, AH, Alavi, AH y Bolandi, H. Un nuevo modelo predictivo para la resistencia a la compresión de HPC utilizando programación de expresión génica. Adv. Ing. Software. 45(1), 105-114. https://doi.org/10.1016/j.advengsoft.2011.09.014 (2012).

Artículo de Google Scholar

Mansouri, I., Güneyisi, EM y Mosalam, KM Modelo de resistencia al corte mejorado para juntas exteriores de vigas y columnas de hormigón armado mediante programación de expresión genética. Ing. Estructura. 228, 111563. https://doi.org/10.1016/j.engstruct.2020.111563 (2021).

Artículo de Google Scholar

Beheshti Aval, SB, Ketabdari, H. y Asil Gharebaghi, S. Estimación de la resistencia al corte de columnas rectangulares cortas de hormigón armado mediante regresión no lineal y programación de expresión genética. Estructura 12, 13-23. https://doi.org/10.1016/j.istruc.2017.07.002 (2017).

Artículo de Google Scholar

Tarawneh, A., Almasabha, G., Alawadi, R. & Tarawneh, M. Modelo innovador y confiable para la resistencia al corte de vigas de hormigón armado con fibras de acero. Estructura 32, 1015-1025. https://doi.org/10.1016/j.istruc.2021.03.081 (2021).

Artículo de Google Scholar

Kara, IF Predicción de la resistencia al corte de vigas de hormigón armado con FRP sin estribos basada en programación genética. Adv. Ing. Software. 42(6), 295–304. https://doi.org/10.1016/j.advengsoft.2011.02.002 (2011).

Artículo MATEMÁTICAS Google Scholar

Yeddula, BSR & Karthiyaini, S. Investigaciones experimentales y modelado GEP de resistencia a la compresión de morteros geopolímeros a base de ferrosialato. Construcción Construir. Madre. 236, 117602. https://doi.org/10.1016/j.conbuildmat.2019.117602 (2020).

Artículo CAS Google Scholar

Yeddula, BSR & Karthiyaini, S. Investigaciones experimentales y predicción del comportamiento térmico de morteros geopolímeros a base de ferrosialato. Árabe. J. Ciencias. Ing. 45(5), 3937–3958. https://doi.org/10.1007/s13369-019-04314-7 (2020).

Artículo CAS Google Scholar

Güneyisi, EM & Nour, AI Capacidad de compresión axial de columnas circulares CFST reforzadas transversalmente con FRP. Ing. Estructura. 191, 417–431. https://doi.org/10.1016/j.engstruct.2019.04.056 (2019).

Artículo de Google Scholar

Nour, AI & Güneyisi, EM Modelo de predicción de la resistencia a la compresión de columnas de tubos de acero rellenas de hormigón con agregado reciclado. Compos. Parte. B-Ing. 173, 106938. https://doi.org/10.1016/j.compositesb.2019.106938 (2019).

Artículo de Google Scholar

Jafari, S. & Mahini, SS Diseño de hormigón ligero mediante programación de expresión genética. Construcción Construir. Madre. 139, 93-100. https://doi.org/10.1016/j.conbuildmat.2017.01.120 (2017).

Artículo de Google Scholar

Gholampour, A., Gandomi, AH y Ozbakkaloglu, T. Nuevas formulaciones para las propiedades mecánicas del hormigón con áridos reciclados mediante programación de expresión genética. Construcción Construir. Madre. 130, 122-145. https://doi.org/10.1016/j.conbuildmat.2016.10.114 (2017).

Artículo de Google Scholar

Tan, H., He, L., Huang, ZC y Zhan, H. Verificación de firmas en línea basada en características dinámicas de la programación de expresión genética. Multimed. Herramientas. Aplica. https://doi.org/10.1007/s11042-021-11063-z (2021).

Artículo de Google Scholar

Du, X. y col. El análisis de la complejidad temporal de una clase de programación de expresión génica. Suave. Computadora. 19(6), 1611-1625. https://doi.org/10.1007/s00500-014-1551-y (2015).

Artículo MATEMÁTICAS Google Scholar

Anand, A. et al. Efectos de la temperatura y la carga sobre el rendimiento de fluencia de compuestos de fibra de vidrio/epóxido laminados reforzados con CNT. En t. J. Mech. Ciencia. 150, 539–547. https://doi.org/10.1016/j.ijmecsci.2018.09.048 (2019).

Artículo de Google Scholar

Berardi, VP, Perrella, M., Armentani, E. & Cricrì, G. Investigación experimental y modelado numérico de la respuesta a la fluencia de compuestos poliméricos reforzados con fibra de vidrio. Fatiga. Fracta. Ing. M.44(4), 1085–1095. https://doi.org/10.1111/ffe.13415 (2021).

Artículo CAS Google Scholar

Yao, YF, Cheng, H., Lin, J. & Ji, JC Optimización del modelo de daño por fluencia de Burgers de arcilla limosa congelada basado en un algoritmo de enjambre de partículas aleatorias difusas. Ciencia. Rep. 11(1), 18974. https://doi.org/10.1038/s41598-021-98374-1 (2021).

Artículo ADS CAS Google Scholar

Li, G. y col. Modelo de daño por fluencia de roca con parámetros variables bajo las condiciones de carga y descarga escalonadas. Ciencia. Rep. 11, 24057. https://doi.org/10.1038/s41598-021-03539-7 (2021).

Artículo ADS CAS Google Scholar

Biswas, S., Fernandez Castellanos, D. & Zaiser, M. Predicción del tiempo de falla por fluencia mediante aprendizaje automático. Ciencia. Rep. 10, 16910. https://doi.org/10.1038/s41598-020-72969-6 (2020).

Artículo ADS CAS Google Scholar

Descargar referencias

Este trabajo fue apoyado financieramente por la Fundación Nacional de Ciencias Naturales de China (No. 11902232).

Departamento de Ingeniería, Estructura y Mecánica, Facultad de Ciencias, Universidad Tecnológica de Wuhan, Wuhan, 430070, China

Hua Tan, Shilin Yan, Sirong Zhu y Pin Wen

Laboratorio clave de teoría y aplicación de la mecánica de materiales avanzada de Hubei, Universidad Tecnológica de Wuhan, Wuhan, 430070, China

Hua Tan, Shilin Yan, Sirong Zhu y Pin Wen

También puedes buscar este autor en PubMed Google Scholar.

HT: Conceptualización; Análisis formal; Investigación; Metodología; Software; Visualización; Redacción-borrador original; Escritura-revisión y edición. SY: Conceptualización; Supervisión; Validación; Administración de proyecto. SZ: curación de datos; Recursos; Metodología; Supervisión. VP: Validación; Adquisición de financiación. Todos los autores han leído y aceptado la versión enviada del manuscrito.

Correspondencia a Sirong Zhu.

Los autores declaran que no tienen intereses financieros en competencia ni relaciones personales conocidas que pudieran haber influido en el trabajo presentado en este artículo.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Tan, H., Yan, S., Zhu, S. et al. Modelado de fluencia de materiales compuestos basado en una programación mejorada de expresión genética. Representante científico 12, 22244 (2022). https://doi.org/10.1038/s41598-022-26548-6

Descargar cita

Recibido: 31 de octubre de 2022

Aceptado: 15 de diciembre de 2022

Publicado: 23 de diciembre de 2022

DOI: https://doi.org/10.1038/s41598-022-26548-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.