MODELAGEM DA VIDA EM FADIGA DE COMPÓSITOS POLIMÉRICOS POR REDES NEURAIS MODULARES: INFLUÊNCIA DA INICIALIZAÇÃO DE PESOS E DO TIPO DE ALGORITMO DE TREINAMENTO
Materiais Compósitos; Redes Neurais Artificiais; Fadiga; Levenberg-Marquardt.
A modelagem da vida em fadiga de compósitos poliméricos constitui um desafio devido à elevada não linearidade do comportamento mecânico sob diferentes razões de carregamento. Este trabalho avalia a aplicação de uma arquitetura de Rede Neural Modular na previsão da resistência à fadiga de laminados reforçados com fibra de vidro e fibra de carbono. Foram investigadas diferentes configurações de treinamento, considerando os algoritmos Backpropagation (BP) e Levenberg-Marquardt (LM), bem como duas estratégias de inicialização de pesos, a aleatória convencional e o método de Glorot. O desempenho dos modelos foi analisado por meio de validação cruzada, utilizando como métricas o Erro Médio Quadrático (EMQ) e o BMEF, além da avaliação da repetibilidade dos resultados. Observou-se que a inicialização Glorot reduziu significativamente a dispersão dos valores mínimos de erro, aumentando a estabilidade das soluções. O algoritmo BP apresentou maior sensibilidade a ruídos quando utilizado com atualização por iteração, comportamento que foi mitigado com a estratégia de treinamento em lote. De modo geral, a combinação BP com inicialização Glorot apresentou o melhor desempenho global, fornecendo os menores valores de EMQ e BMEF para a maioria dos materiais analisados. Os Diagramas de Goodman gerados a partir das melhores arquiteturas mostraram boa concordância entre as curvas previstas e experimentais, com maiores desvios observados apenas em condições severas de carregamento. Os resultados indicam que a Rede Modular apresenta elevada capacidade de generalização e constitui uma ferramenta promissora para a previsão da vida em fadiga de compósitos poliméricos.