Aplicación de análisis de microfracturas para prevención de fracturas por fatiga en materiales mediante pruebas no destructivas
PDF
HTML
DOI

Palabras clave

Ingeniería de la construcción
Microfractura
Análisis por simulación

Cómo citar

Sánchez Santana, U., Presbítero-Espinosa, G., & Quiroga-Arias, J. (2024). Aplicación de análisis de microfracturas para prevención de fracturas por fatiga en materiales mediante pruebas no destructivas. Revista Latinoamericana De Difusión Científica, 6(11), 87-111. https://doi.org/10.5281/zenodo.12687167

Resumen

Objetivo: Determinar, establecer y verificar metodologías y campos de estudio hacia procedimientos de predicción precisos para la prevención de fracturas por fatiga en materiales industriales, mediante el desarrollo de microfracturas y el uso de ensayos no destructivos. Metodología: Se implementan ensayos de fatiga en materiales de uso industrial, utilizando máquinas de ensayo mecánicas universales capaces de realizar esfuerzos de fatiga. En cuanto al uso de equipos de análisis no destructivo, se utilizó un sistema de tomografía computarizada de rayos X para estudiar microfracturas en materiales. La detección de microfracturas se realizó mediante procesamiento de imágenes con una red neuronal convolucional entrenada mediante aprendizaje profundo. Posteriormente, se aísla la microfractura mediante procesamiento de imágenes. Las imágenes que contienen esta característica se interpretan mediante procesamiento de imágenes para obtener sus métricas de área, perímetro, longitud de la característica, circularidad, orientación y tipo de microfractura. Resultados: Hemos sentado las bases para un campo de estudio completamente nuevo e innovador para futuros modelos de prevención de fracturas por fatiga en una evaluación tridimensional de microdaños, en el que incluso un concepto de volumen característico novedoso puede proponerse y usarse para procedimientos y enfoques adicionales hacia la prevención de la fatiga.

https://doi.org/10.5281/zenodo.12687167
PDF
HTML
DOI

Citas

Buccino, F.; Aiazzi, I.; Casto, A.; Liu, B.; Sbarra, M.; Ziarelli, G.; Banfi, G.; Vergani, L. (2023). The synergy of synchrotron imaging and convolutional neural networks towards the detection of human micro-scale bone architecture and damage. J. Mech. Behav. Biomed. Mater. 2023, 137, 105576. https://doi.org/10.1016/j.jmbbm.2022.105576.

Caron, R.; Londono, I.; Seoud, L.; Villemure, I. (2023). Segmentation of trabecular bone microdamage in Xray microCT images using a two-step deep learning method. J. Mech. Behav. Biomed. Mater. 2023, 137, 105540. https://doi.org/10.1016/j.jmbbm.2022.105540.

Ce, X.; Jean-Yves, B. (2021). Neural network segmentation methods for fatigue crack images obtained with X-ray tomography. Eng. Fract. Mech. 2021, 252, 107823. https://doi.org/10.1016/j.engfracmech.2021.107823.

Currey J.(2012). The structure and mechanics of bone. J. Mater. Sci. 2012, 47, 41–54. https://doi.org/10.1007/s10853-011-5914-9.

Diab, T.; Vashishth, D. (2005). Effects of damage morphology on cortical bone fragility. Bone 2005, 37, 96–102. https://doi.org/10.1016/j.bone.2005.03.014.

Domen, T.; Matic, Š.; Danijel, S. (2023). Automated detection and segmentation of cracks in concrete surfaces using joined segmentation and classification deep neural network. Constr. Build. Mater. 2023, 408, 133582. https://doi.org/10.1016/j.conbuildmat.2023.133582

Guten, G.; Shorter, F. (1997). Running Injuries; W.B. Saunders Company: Philadelphia, PA, USA, 1997.

Kim, J.; Nam, J.; Jang, I. (2018). Computational study of estimating 3D trabecular bone microstructure for the volume of interest from CT scan data. Int. J. Numer. Methods Biomed. Eng. 2018, 34, e2950. https://doi.org/10.1002/cnm.2950.

Lewandowski, J.; Rozumek, D. (2018). Numerical analysis of stress intensity factor in specimens with different fillet geometry subjected to bending. Acta Mech. Autom. 2018, 12, 38–43. https://doi.org/10.2478/ama-2018-0006.

Pang, H.; Reed, P. (2008). Effects of microstructure on room temperature fatigue crack initiation and short crack propagation in Udimet 720Li Ni base superalloy. Int. J. Fatigue 2008, 30, 2009–2020. https://doi.org/10.1016/j.ijfatigue.2008.01.001.

Presbitero, G.; Gutiérrez, D.; Taylor, D. (2017). Osteoporosis and Fatigue fracture prevention by analysis of bone microdamage. In TMS 2017 146th Annual Meeting & Exhibition Supplemental Proceedings; Springer: Berlin/Heidelberg, Germany, 2017. https://doi.org/10.1007/978-3-319-51493-2_30.

Ramirez, J.; Chacon, M. (2011). Redes neuronales artificiales para el procesamiento de imágenes, una revisión de la última década. Rev. Ing. Eléctrica Electrónica Comput. 2011, 9, 7–16.

Rezaie, A.; Achanta, R.; Godio, M.; Beyer, K. (2020). Comparison of crack segmentation using digital image correlation measurements and deep learning. Constr. Build. Mater. 2020, 261, 120474. https://doi.org/10.1016/j.conbuildmat.2020.120474.

Shanglian, Z.; Wei, S. (2021). Crack segmentation through deep convolutional neural networks and heterogeneous image fusion. Autom. Constr. 2021, 125, 103605. https://doi.org/10.1016/j.autcon.2021.103605.

Wang, M.; Li, S.; Scheidt, A.; Qwamizadeh, M.; Busse, B.; Silberschmidt, V. (2020). Numerical study of crack initiation and growth in human cortical bone: effect of micro-morphology. Eng. Fract. Mech. 2020, 232, 107051. https://doi.org/10.1016/j.engfracmech.2020.107051.
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.

Descargas

La descarga de datos todavía no está disponible.