Publicação
Previsão de crescimento de fendas de fadiga utilizando elementos finitos e inteligência artificial
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Mecânica | |
| dc.contributor.advisor | Baptista, Ricardo Miguel Gomes Simões | |
| dc.contributor.author | Ferra, Tiago Henrique da Cruz | |
| dc.date.accessioned | 2026-02-04T14:00:25Z | |
| dc.date.available | 2026-02-04T14:00:25Z | |
| dc.date.issued | 2025-11-19 | |
| dc.description.abstract | A análise da trajetória de propagação de fendas de fadiga constitui um desafio relevante na área da integridade estrutural, devido à complexidade associada à simulação numérica ou à experimentação. Em particular, o estudo de componentes sujeitos a carregamentos biaxiais revela-se ainda mais exigente, uma vez que envolve a aplicação simultânea e independente de forças em direções perpendiculares, aumentando significativamente a variabilidade dos cenários possíveis. Neste trabalho, foi estudada a propagação de fissuras em provetes cruciformes sob carregamentos cíclicos biaxiais em fadiga, combinando metodologias numéricas baseadas no Método dos Elementos Finitos (FEM) com a aplicação de técnicas de Inteligência Artificial (AI), nomeadamente redes neuronais artificiais (ANN). Para a geração dos dados de treino da rede, recorreu-se a simulações numéricas que permitiram determinar os fatores de intensidade de tensão para fendas com diferentes geometrias, comprimentos e orientações. Uma vez treinada, a rede mostrou-se capaz de prever, de forma quase imediata, os fatores de intensidade de tensão necessários ao cálculo da direção e da taxa de crescimento da fenda. Os resultados obtidos pela ANN foram comparados com as trajetórias de propagação calculadas exclusivamente por FEM. A análise dos desvios entre coordenadas, calculados através da raiz quadrada do erro médio quadrático (RMSE), revelaram um erro mínimo de 0,0006 mm e um erro máximo de 2,1890 mm, sendo o erro médio de 0,3613 mm. Assim, a abordagem híbrida FEM–IA revelou-se vantajosa pela sua elevada eficiência computacional, mantendo um nível de precisão adequado à previsão do comportamento em fadiga. Assim, os modelos baseados em redes neuronais demonstraram ser uma ferramenta promissora de apoio à análise estrutural, contribuindo para reduzir significativamente o tempo e os recursos necessários em estudos de propagação de fendas em regimes de carregamento complexo. | por |
| dc.description.abstract | Abstract The analysis of fatigue crack propagation trajectories is a significant challenge in the field of structural integrity due to the complexity associated with either numerical simulation or experimental testing. In particular, the study of components subjected to biaxial loading is especially demanding, as it involves the simultaneous and independent application of forces in perpendicular directions, which considerably increases the variability of possible scenarios. In this work, the propagation of cracks in cruciform specimens under cyclic biaxial fatigue loading was investigated by combining numerical methodologies based on the Finite Element Method (FEM) with Artificial Intelligence (AI) techniques, namely artificial neural networks. Training data for the network were generated from numerical simulations that provided stress intensity factors for cracks with different geometries, lengths, and orientations. Once trained, the network was able to predict, almost instantaneously, the stress intensity factors required to calculate both crack growth direction and growth rate. The results obtained by the ANN were compared with the propagation trajectories calculated exclusively by FEM. The analysis of the deviations between coordinates, calculated using the Root Mean Square Error (RMSE), revealed a minimum error of 0.0006 mm and a maximum error of 2.1890 mm, being on average 0,3613 mm. For this reason, the hybrid FEM-IA approach proved to be valuable for its high computational efficiency, maintaining a level of accuracy appropriate to the prediction of fatigue behaviour. Therefore, neural network-based models have proven to be a promising tool to support structural analysis, contributing to significantly reduce the time and resources required in crack propagation studies in complex loading regimes. | eng |
| dc.identifier.tid | 204178568 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/22638 | |
| dc.language.iso | por | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Propagação de fendas | |
| dc.subject | Redes neuronais | |
| dc.subject | Fadiga | |
| dc.subject | Provetes cruciformes | |
| dc.subject | Ccrack propagation | |
| dc.subject | Neural networks | |
| dc.subject | Fatigue | |
| dc.subject | Cruciform specimens | |
| dc.title | Previsão de crescimento de fendas de fadiga utilizando elementos finitos e inteligência artificial | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Dissertação para obtenção do grau de Mestre em Engenharia Mecânica, na Área de Especialização de Manutenção e Produção |