< Terug naar vorige pagina

Project

Compressieve faling van unidirectionele composieten: efficiënte computationele micromechanica en experimentele validatie

Compressiefaling in de vezelrichting is een cruciale faalmode in het ontwerp van vezelversterkte composietstructuren. Het gebrek aan betrouwbare modellen voor deze faalmode lijdt helaas vaak tot overontworpen en inefficiënte componenten. Hoewel de literatuur een globaal idee heeft van de belangrijkste parameters, weten we momenteel niet welke microstructurele kenmerken compressiefaling veroorzaken. Ik zal daarom computationele micromechanica ontwikkelen om longitudinale compressiefaling van unidirectionele composieten te voorspellen onder quasi-statische en vermoeiingsbelasting. Deep learning zal gebruikt worden om de zwakste plekken in een virtueel monster (“hot spots”) efficiënt te identificeren. Een convolutioneel neuraal netwerk zal hiervoor ontwikkeld en getraind worden gebaseerd op ruwe eindige elementen (EE) modellen. Deze modellen zullen microstructuren gebruiken die gegenereerd zijn door een nieuwe 3D microstructuurgenerator, die getraind zal worden met deep learning van computertomografiedata (CT). Eens de hot spots geïdentificeerd zijn, zijn er slechts enkele EE modellen nodig om de locatie van compressiefaling te voorspellen. Ik zal deze procedure toepassen op quasi-statische en vermoeiingsbelasting, gebaseerd op objectief gemeten inputparameters voor de samenstellende materialen. Een gedetailleerde experimentele validatie zal uitgevoerd worden op basis van compressiesterkte, compressie-compressie vermoeiingsleven en de micromechanismes geobserveerd in de CT data.

Datum:1 okt 2021 →  Heden
Trefwoorden:compressive failure, unidirectional composites, Computational micromechanics
Disciplines:Polymeercomposieten, Computationele materiaalwetenschappen, Destructieve en niet-destructieve materiaaltesten, High performance computing