.jpg)
La simulación numérica de materiales bajo grandes deformaciones ha sido históricamente un desafío para la ingeniería, especialmente cuando los modelos constitutivos clásicos no logran capturar comportamientos no lineales complejos. En este contexto, las redes neuronales aumentadas con física (PANNs) han emergido como una alternativa prometedora, combinando la flexibilidad del aprendizaje automático con restricciones físicas que garantizan resultados fiables. Estas arquitecturas integran directamente leyes de conservación y propiedades termodinámicas en su diseño, lo que las hace ideales para su uso en solvers de elementos finitos explícitos como Radioss. Un enfoque reciente permite transferir redes preentrenadas —desarrolladas en frameworks como PyTorch o TensorFlow— a rutinas de material de usuario en Fortran, sin necesidad de modificar el núcleo del simulador. Esto abre la puerta a que ingenieros y científicos implementen modelos basados en datos en aplicaciones reales, desde impactos de alta velocidad hasta procesos de conformado.
La eficiencia computacional es un factor crítico en estas integraciones. Estudios han demostrado que sustituir funciones de activación como SoftPlus por variantes como SQuarePlus puede reducir significativamente el costo de evaluación, manteniendo la precisión necesaria para capturar la hiperelasticidad bajo grandes deformaciones. Además, se han desarrollado repositorios públicos que automatizan la generación de rutinas Fortran, permitiendo que cualquier usuario especifique la arquitectura de la red y los parámetros entrenados para obtener un material personalizado listo para simular. Este avance acerca el modelado constitutivo basado en machine learning a entornos industriales, donde la rapidez y la fiabilidad son esenciales.
Para las empresas que buscan adoptar estas tecnologías, resulta fundamental contar con aliados que ofrezcan ia para empresas de forma personalizada. En Q2BSTUDIO, desarrollamos software a medida que integra redes neuronales aumentadas con física en pipelines de simulación existentes, optimizando tanto el entrenamiento como la ejecución. Nuestros servicios de inteligencia artificial incluyen la creación de agentes IA capaces de ajustar automáticamente los parámetros de la red para diferentes condiciones de carga, reduciendo el tiempo de desarrollo de modelos constitutivos. Además, la implementación de estas soluciones se beneficia de nuestros servicios cloud AWS y Azure, que escalan los recursos computacionales según la demanda, y de nuestras capacidades en ciberseguridad para proteger la propiedad intelectual de los modelos entrenados.
Más allá del modelado de materiales, la combinación de PANNs con elementos finitos explícitos abre oportunidades en áreas como la simulación de biomecánica, la predicción de fallos en compuestos y el diseño de estructuras ligeras. Para aprovechar todo este potencial, es recomendable contar con aplicaciones a medida que conecten directamente los resultados de las simulaciones con paneles de control analíticos. En Q2BSTUDIO ofrecemos servicios inteligencia de negocio mediante power bi, permitiendo visualizar en tiempo real la evolución de tensiones, deformaciones y otras variables críticas durante el proceso de simulación. De esta forma, los equipos de ingeniería toman decisiones informadas basadas en datos, integrando la física aumentada en un ecosistema digital completo y seguro.
.jpg)