Modelado del crecimiento de grietas por fatiga en aleaciones metálicas mediante modelos de aprendizaje automático

Abstract

Este TFG se centra en el estudio del crecimiento de grietas por fatiga en materiales metálicos mediante técnicas de aprendizaje automático, aplicadas a datos experimentales obtenidos en ensayos sobre las aleaciones aluminio 2024-T351 y titanio Ti-6Al-4V. La fatiga constituye una de las principales causas de fallo en componentes sometidos a cargas cíclicas, y su modelado preciso es esencial para garantizar la integridad estructural, especialmente en sectores exigentes como el aeroespacial. Tradicionalmente, este fenómeno se ha abordado mediante formulaciones analíticas como la ley de Paris o la ley de Forman, las cuales requieren calibraciones específicas y presentan limitaciones en entornos experimentales complejos. Como alternativa, en este trabajo se han implementado y comparado dos tipos de redes neuronales artificiales: una red multicapa (MLP) y una red de base radial (RBFN), con el objetivo de predecir la velocidad de propagación de grietas a partir de variables físicas del ensayo, sin necesidad de recurrir a modelos explícitos. Ambas arquitecturas fueron entrenadas y validadas sobre subconjuntos de datos diferenciados por aleación, espesor y condiciones de carga. Los resultados obtenidos indican que la red MLP ofrece un mejor equilibrio entre precisión, robustez y capacidad de generalización frente a nuevas condiciones, especialmente en zonas no lineales del dominio. Por su parte, la RBFN presentó un comportamiento competitivo en ciertos escenarios, con un ajuste rápido y eficaz cuando se dispone de una estructura de datos bien definida. En conjunto, este estudio demuestra que el uso de redes neuronales, y particularmente del modelo MLP, constituye una herramienta eficaz y complementaria a las leyes clásicas en la predicción del comportamiento por fatiga, contribuyendo a mejorar la evaluación y el diseño estructural basado en datos experimentales.