2026-05-28T13:20:59Zhttps://riuma.uma.es/rest/oai/request

oai:riuma.uma.es:10630/399522026-02-12T12:45:03Zcom_10630_1685col_10630_38055

00925njm 22002777a 4500 dc Caballero de Leiva, Pablo author 2025-06 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. https://hdl.handle.net/10630/39952 Materiales - Fatiga - Trabajos fin de grado Mecánica de fractura - Trabajos fin de grado Resistencia de materiales - Trabajos fin de grado Modelado del crecimiento de grietas por fatiga en aleaciones metálicas mediante modelos de aprendizaje automático