Modelos substitutos com amostras de preenchimento aplicados à confiabilidade de materiais compósitos

Abstract

Este trabalho tem como objetivo examinar a aplicação de modelos substitutos com amostras de preenchimento na análise de confiabilidade de materiais compósitos. A estocasticidade relacionada às variáveis de projeto é de grande importância quando aplicada à segurança de estruturas. Os materiais compósitos usados na indústria aeronáutica, por exemplo, têm uma probabilidade de falha extremamente baixa. Além disso, a função de estado limite baseada no critério de Tsai-Wu é não linear e muito sensível às variáveis de projeto como ângulos de fibras e tensões limites. Esses aspectos podem tornar a análise pelo método first-order reliability method imprecisa para prever a probabilidade de falha desses materiais. Desse modo, métodos mais robustos como o Monte Carlo devem ser usados. No entanto, a demanda computacional aumenta. Assim, para viabilizar o uso desta técnica, um modelo substituto de Kriging com um algoritmo de amostra de preenchimento é empregado. Os resultados são comparados com a Rede Neural Perceptron Multicamada e a Rede Neural de Base Radial. Ao final, obtevese uma melhora ao lidar com códigos de alto custo computacional para obtenção dos critérios de falha.

This work aims to examine the application of surrogate models with infill samples in the reliability analysis of composite materials. Stochasticity related to design variables are of great significance when applied to the safety of structures. Composite materials used in the aircraft industry, for example, have an extremely low probability of failure. Moreover, the limitstate function based on Tsai-Wu criterion is non-linear and very sensible to the design variables such as fiber angles and strength. These aspects can make first-order reliability method (FORM) analysis inaccurate for predicting the probability of failure of those materials. Thereby, more robust methods as Monte Carlo must be used. However, the computational demand increases. Thus, for making possible the use of this technique, a Kriging surrogate model with an infill sample algorithm is employed. The results are compared with the Multilayer Perceptron Network and Radial Basis Neural Network. In the end, it is obtained an improvement when dealing with high computational cost codes for obtaining the failure criteria.