Análisis y caracterización de materiales compuestos y aditivos a través de fotogrametría, termografía y métodos numéricos

Abstract

[ES]En la presente Tesis Doctoral, se presenta una investigación en la que se tiene en cuenta todo lo anteriormente presentado para intentar dar una respuesta a esta problemática incipiente en la industria moderna. Por un lado, se presenta una validación de la metodología de correlación digital de imágenes para caracterizar mecánicamente materiales compuestos, seguido de un método de simulación numérica estocástico para realizar un diseño optimizado, basado en la ingeniería robusta aplicable a cualquier producto fabricado con este tipo de materiales. Por otro lado, se presenta un estudio sobre diferentes técnicas de termografía activa en diferentes productos conformados por fabricación aditiva por deposición fundida realizados con diversos materiales para poder caracterizar defectos. El uso de algoritmos de Machine Learning y modelos numéricos permite no solo detectar estos defectos, sino también cuantificar geométricamente los mismos. Finalmente, la combinación de todas estas técnicas se aplica en entornos industriales reales, fabricando un prototipo de recipiente para elementos presurizados de altas prestaciones que permita mejorar el desempeño en comparación con otros recipientes tradicionales añadiendo una mejora de portabilidad. También, se integran en este prototipo sensores procedentes del internet de las cosas, permitiendo su monitorización en tiempo real, lo que facilita las labores de mantenimiento, implementando técnicas avanzadas en este campo como es el mantenimiento predictivo.

[EN]In this Doctoral Thesis, research is presented which takes into account all of the above to try to provide an answer to this incipient problem in modern industry. On the one hand, a validation of the digital image correlation methodology is presented to mechanically characterise composite materials, followed by a stochastic numerical simulation method to carry out an optimised design, based on robust engineering, applicable to any product manufactured with this type of materials. On the other hand, a study is presented on different techniques of active thermography in different products formed by additive manufacturing by fused deposition made with different materials in order to characterise defects. The use of Machine Learning algorithms and numerical models allows not only to detect these defects, but also to quantify them geometrically. Finally, the combination of all these techniques is applied in real industrial environments, manufacturing a prototype vessel for high-performance pressurised elements that improves performance compared to other traditional vessels by adding an improvement in portability. Also, sensors from the internet of things are integrated in this prototype, allowing real-time monitoring, which facilitates maintenance work, implementing advanced techniques in this field such as predictive maintenance.