MODELAMIENTO PREDICTIVO DE UN NEUROCONTROLADOR BASADO EN APRENDIZAJE PROFUNDO PARA LA VIBRACIÓN DE METAMATERIALES AUXÉTICOS INSPIRADOS EN LA BIODIVERSIDAD PERUANA

La comprensión de la respuesta vibracional de estructuras modernas fabricadas con metamateriales auxéticos, ya sea en condiciones de vibración libre o forzada, demanda una descripción minuciosa y precisa. Además, es indispensable mitigar la vibración mediante el empleo de técnicas de control robustas con el fin de maximizar la vida útil de dichas estructuras. No obstante, la complejidad inherente de estos materiales puede generar un aumento considerable en el costo computacional del modelado convencional. En este contexto, el enfoque analítico emerge como una alternativa destacada para estudiar las características vibracionales de estas interesantes estructuras. La presente tesis se enfoca en el desarrollo de modelos computacionales para el análisis vibracional de materiales compuestos, con especial atención en aquellos que incorporan geometrías auxéticas. Además, se presenta la propuesta de un sistema activo de control de vibración usando algoritmos clásico y óptimo, cuyos parámetros son actualizados mediante redes neuronales profundas (Deep Learning), con el objetivo de mitigar de manera eficaz este problema recurrente e indeseado. Se investigarán una variedad de problemas, incluyendo placas con diferentes geometrías celulares (como estructuras reentrantes, en forma de flecha y quirales), distintas cargas, tipos de vibración (libre y forzada), secuencias de laminación y condiciones de contorno. La innovación principal del análisis mecánico radica en la utilización de la formulación unificada de Carrera (CUF), el Método de Contornos Continuos (MCC) y Discontinuos (MCD) para la generación y resolución de diversos modelos matemáticos estáticos y dinámicos. Para el control de vibración, se emplean parches inteligentes piezoeléctricos situados en la parte superior de la estructura, actuando tanto como sensores (efecto directo) para captar las señales de voltaje, como actuadores (efecto inverso) para generar la fuerza de control. Además, se han incorporado dos algoritmos de control: PID y LQR, basados en enfoques clásicos y óptimos, respectivamente. Sin embargo, el aporte principal de la presente tesis radica en la predicción de los parámetros de control mediante técnicas derivadas del aprendizaje profundo. La red neuronal profunda implementada consta de una capa de entrada, tres capas ocultas y una capa de salida. Se emplearon funciones de activación sigmoidales y ReLU para capturar características profundas del fenómeno, como comportamientos no lineales, lo que permite una mitigación efectiva de la vibración. La precisión de las soluciones propuestas se valida mediante comparaciones con soluciones por elementos finitos y los resultados obtenidos a través del software comercial ANSYS, demostrando una reducción de al menos un 15% en el costo computacional en comparación con los modelos convencionales. Además, se evaluó la eficacia del neurocontrolador propuesto mediante simulaciones en el software SIMULINK, comparándolo con técnicas de control que no hacen uso de Deep Learning y se hace énfasis en la capacidad predictiva de los parámetros de control de la red neuronal implementada.

LAUREANO HUAYANAY ,RONALDO WALTER