Una estrategia robusta para la actualización de modelos FEM de paneles compuestos mediante un marco de optimización asistido por sustitutos ANN-SMA combinados

Por qué importa afinar las estructuras virtuales

Los ingenieros confían cada vez más en modelos por ordenador para predecir cómo vibrarán y resistirán en servicio puentes, piezas aeronáuticas y palas de aerogenerador. Pero esos modelos solo son tan buenos como los datos que se introducen en ellos. Para materiales compuestos en capas, que hoy son habituales en la industria aeroespacial y naval, acertar con esos valores es especialmente difícil. Este artículo muestra cómo ensayos de laboratorio, inteligencia artificial y un método de búsqueda inspirado en la naturaleza pueden combinarse para ajustar un modelo por ordenador de un panel compuesto de modo que su comportamiento coincida casi exactamente con el de la estructura real.

De las pruebas de laboratorio a los gemelos digitales

El estudio parte de un panel real de fibra de vidrio, construido con diez capas delgadas de tejido unidas con epoxi. En el laboratorio, el panel se apoya por los bordes y se golpea suavemente con un martillo instrumentado mientras pequeños acelerómetros registran cómo vibra. Procesando estas mediciones, los investigadores extraen características clave de la vibración: las frecuencias naturales del panel (las notas a las que tiende a vibrar) y las formas de flexión asociadas. Estas huellas experimentales sirven como estándar de oro que el modelo por ordenador debe reproducir.

Construir y comprobar el primer modelo

En paralelo, el equipo crea una versión virtual detallada del mismo panel usando una herramienta de ingeniería estándar para simular estructuras. El panel virtual se divide en numerosos elementos de chapa para representar su naturaleza en capas y la rigidez en distintas direcciones. Al calcular sus frecuencias naturales y formas de vibración, encuentran que las predicciones son cercanas pero no perfectas: algunas frecuencias difieren de los resultados de laboratorio en más del 10 por ciento. Una comparación más detallada de las formas muestra que, aunque los patrones generales son similares, no son idénticos. Esta discrepancia confirma que algunas de las propiedades asumidas en el modelo virtual—como rigidez, espesor o densidad—están ligeramente desajustadas.

Enseñar a un sustituto rápido a imitar el modelo

Ajustar directamente los parámetros del modelo y volver a ejecutar simulaciones completas miles de veces sería demasiado lento, por lo que los autores introducen modelos «sustitutos»: versiones matemáticas rápidas que aprenden a imitar la simulación costosa. Muestrean aleatoriamente cientos de combinaciones de espesor, rigidez y densidad dentro de límites realistas, ejecutan la simulación completa para cada una y recogen las frecuencias resultantes y las puntuaciones de coincidencia de formas. Se entrenan tres tipos de sustitutos con ese conjunto de datos: una superficie polinómica simple, un método estadístico llamado Kriging y una red neuronal artificial. Las pruebas muestran que la red neuronal captura mejor las relaciones complejas entre entradas y respuesta de vibración a la vez que sigue siendo rápida de evaluar, reduciendo cada predicción de segundos a fracciones de segundo.

Dejar que el moho mucilaginoso explore el espacio de diseño

Con la red neuronal actuando como predictor casi instantáneo, el siguiente reto es buscar en el vasto espacio de combinaciones de parámetros aquellas que hagan que el panel virtual coincida con el real. Para ello, los investigadores usan un algoritmo inspirado en la forma en que los mohos mucilaginosos se extienden para explorar su entorno y luego se retraen hacia fuentes de alimento ricas. En la optimización, cada «organismo» representa un conjunto candidato de propiedades del panel. Guiados por una medida de desajuste entre las frecuencias predichas y las medidas, los mohos virtuales desplazan sus posiciones, equilibrando la exploración amplia con el refinamiento focalizado. Esta búsqueda artificial se ejecuta íntegramente sobre el sustituto, por lo que se pueden completar rápidamente miles de pruebas.

Mejor coincidencia y cálculo más rápido

La estrategia combinada de red neuronal y moho mucilaginoso mejora con claridad el panel digital. Tras la actualización, cuatro de las primeras cinco frecuencias naturales difieren de los valores de laboratorio en menos del 1 por ciento, e incluso el modo de frecuencia más alta, más difícil, mejora notablemente frente al modelo original. Los ajustes necesarios son físicamente razonables: una reducción moderada de la rigidez efectiva y pequeños retoques en espesor y densidad, coherentes con variaciones de fabricación reales. Cuando el mismo sustituto de red neuronal se empareja con métodos de búsqueda más consolidados que imitan bandadas de aves o evolución genética, el nuevo enfoque inspirado en el moho sigue convergiendo de forma más fiable y reduce el tiempo de cálculo entre aproximadamente un 7 y un 30 por ciento. En términos prácticos, esto significa que los ingenieros pueden obtener gemelos digitales más fiables de estructuras compuestas más rápido, favoreciendo decisiones de diseño mejores y sistemas de monitorización de estado más sensibles.

Cita: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

Palabras clave: estructuras compuestas, actualización de modelos de elementos finitos, modelado por sustitutos, redes neuronales artificiales, optimización metaheurística