Um outro caminho a ser seguido na representação de vida à fadiga, é o uso de RNA’s onde vários autores (Lee et al., 1999; Al-Assaf et al., 2001; El-Kadi et al. (a), 2002; El- Kadi et al. (b), 2002, Zhang e Friedrich, 2003; Freire jr et al. ,2005;Vassilopoulos et al. , 2007; Freire jr et al. ,2009; Al-Assadi et al. ,2009, Vassilopoulos et al., 2010) começaram a utilizar redes neurais artificiais para modelarem este tipo de comportamento. Em um trabalho pioneiro, Lee et al. (1999) enumerou os motivos pelo qual se pode modelar o comportamento à fadiga de um material compósito através de redes neurais, conforme se apresenta a seguir: 1) Existência de uma base de dados relacionada ao material;
2) Não existe ou não se conhece uma solução precisa para o problema, porém existem aproximações matemáticas;
3) Os dados experimentais obtidos são incompletos, com alta dispersão e complexos.
O comportamento à fadiga em materiais compósitos possui estas características, isto o qualifica como de grande potencial para análise através de redes neurais.
No trabalho realizado pelo autor (Lee et al., 1999), utiliza-se uma base de dados bastante ampla, com materiais compósitos fabricados com fibra de vidro e fibra de carbono. A arquitetura utilizada na rede neural constitui-se de um perceptron de múltiplas camadas treinada com o algoritmo de retropropagação. Os treinamentos feitos pelo autor são bastante
53
variados e relacionam tanto os componentes de tensão e a razão de fadiga (a, max, med e R) como também a probabilidade de falha do material e variação da carga durante o ensaio (fadiga cumulativa), com o objetivo de obter o número de ciclos de falha (N).
Analisando a contribuição dada por Lee et al. (1999) a este campo de atuação, percebe-se que a relevância deste trabalho se deve, principalmente, a vasta gama de treinamentos feitos pela RNA, dando uma ideia inicial da possível aplicação de Redes Neurais no modelamento do comportamento à fadiga de materiais compósitos. Outra contribuição importante se deve ao mesmo demonstrar a necessidade da utilização de pelo menos três razões de fadiga durante o treinamento para a obtenção de um erro pequeno em relação a todo o conjunto de dados.
Porém, um dos pontos negativos do trabalho de Lee, se verifica nos resultados obtidos pela arquitetura utilizada, estes resultados normalmente são pouco apreciáveis e, nos melhores casos, se aproximam dos resultados obtidos por outros métodos já conhecidos (Lee et al., 1999).
Posteriormente, Al-Assaf et al. (2001) publicaram um trabalho bem menos ambicioso do que o de Lee et al. (1999). Nesse trabalho, o mesmo utilizava como base de dados um material compósito na forma de lamina (resina epóxi com fibra de vidro), que foi ensaiado à fadiga na direção da fibra e em direções variadas (19, 45, 71 e 90°). As seguintes razões de fadiga foram utilizadas: R = -1, 0 e 0,5. A arquitetura usada foi de uma RNA de perceptron de múltiplas camadas treinada com o algoritmo de retropropagação, na qual o autor testou varias entradas na rede e utilizou na arquitetura da rede de uma até três camadas ocultas, sempre com o objetivo de obter o número de ciclos de falha (N) como resposta da rede.
No trabalho de Al-Assaf et al. (2001), obtiveram-se resultados bastante significativos, porém pode-se dizer que uma das contribuições mais significantes deste trabalho para aplicação de redes neurais neste campo de estudo foi o tratamento prévio dos dados de
treinamento. Nele o autor trabalha com o logaritmo do número de ciclos, facilitando consequentemente o treinamento da RNA. Outra contribuição interessante desse trabalho foi à observação de que a utilização de mais de uma camada oculta não melhora os resultados obtidos.
Com o intuito de obter melhores resultados para os dados apresentados por El-Kadi et al. (a), 2002, desenvolveram um trabalho analisando a possibilidade de aplicação de outros tipos de arquiteturas de rede, tais como redes RBF, redes de análise de componente principal e redes modulares. Neste trabalho, verificou-se pela primeira vez a grande potencialidade da utilização de redes modulares no treinamento do comportamento à fadiga de materiais compósitos. E foi justamente para este tipo de arquitetura que o autor obteve os melhores resultados no modelamento à fadiga para este tipo de material.
O maior problema de todos estes trabalhos é a não utilização da validação cruzada e a falta de apresentação de resultados fora da região de treinamento. Uma RNA tem grande facilidade de memorização dos dados apresentados quando se faz um treinamento excessivo “over-fitting”, porém isto não significa necessariamente que a RNA generalizou e se apresenta apta para modelar o comportamento do material.
Além disso, outro ponto desfavorável é a falta de utilização do “conhecimento prévio” que pode ser incorporado ao treinamento, como por exemplo, a utilização dos dados de carregamento estático. Pensando desse modo, Freire jr. (2005) desenvolveu uma arquitetura específica de RNA que possui o intuito de se utilizar do conhecimento prévio do comportamento à fadiga do material, na qual se divide o problema em dois módulos, um módulo específico para tração e outro para as cargas de compressão.
Esta arquitetura modular se mostrou bastante robusta e confiável para os três materiais à base de fibra de vidro analisados durante a pesquisa, porém ela não foi testada para outros materiais, e especificamente não foi testada para compósitos à base de fibra de carbono.
55
Outro ponto ainda não avaliado é o uso desta RNA modular para dados analisados estatisticamente, verificando sua aplicação também nestes casos. É neste ponto que esta tese propõe ampliando as possibilidades de aplicação das redes modulares não só para compósitos à base de fibra de vidro, mas também à base de fibra de carbono, como também comparando os seus resultados com outros modelos matemáticos mais recentes (PNL), bem como, fazer um estudo estatístico de comportamento à fadiga e verificar a aplicação de Redes Modulares para estes casos.