Un método numérico novedoso para el estudio estocástico de compuestos reforzados

con fibras con nanopartículas bajo carga de impacto

Los polímeros reforzados con fibras llenos de nanopartículas, de interés por sus propiedades
mejoradas, plantean desafíos en el modelado debido a la variabilidad, la complejidad y el costo
computacional. La distribución no homogénea de nanopartículas, evidenciada experimentalmente,
afecta la resistencia y el módulo de los compuestos, subrayando la necesidad de estrategias de
modelado eficientes para comprender mejor su comportamiento bajo cargas complejas.

Se ha utilizado la microscopía electrónica de transmisión para demostrar que las nanopartículas no

se propagan uniformemente durante la fabricación, sino que su distribución sigue una distribución
gaussiana.

Experimental activities
En este punto se realiza un mezclado en una solución de 60% de acetona y 40% de etanol de varios
componentes como nanotubos de carbono y nano plaquetas de grafeno con unas medidas
específicas, se utilizó también una resina con un endurecimiento de alta temperatura de transición
vítrea. La mezcla resultante se distribuyó uniformemente sobre ambos lados de una tela seca para
obtener una distribución aleatoria de nano rellenos.

Siendo ese el Proceso de fabricación de componentes reforzados con nanopartículas.

Se propuso un método numérico estocástico basado en experimentos que analiza el impacto de

la distribución aleatoria de nanopartículas en la respuesta mecánica bajo carga de impacto. Se
determinaron modelos de materiales a partir de ensayos básicos, centrándose en la influencia
estructural de la distribución de nanopartículas.

compuestos
Este modelo de daños se ha aplicado con éxito en la simulación de eventos de impacto.

Para el daño de la fibra, se aplicó el criterio de falla en el plano bajo tensión, como se muestra en
Ecuaciones. (1)y(2), mientras que el criterio de falla por compresión se describe en Ecuaciones.
(3)y(4). El criterio de falla para la matriz se muestra en Ec. (5)

donde Xt e Yt son las resistencias a la tracción en el plano del compuesto, Xc y Yc son las
resistencias a la compresión, y Sc es el cortante en el plano fuerza. El parámetro β se utiliza para
describir el comportamiento cortante durante la carga, y β=0 se recomienda para una comparación
más precisa con los experimentos.

Stochastic modeling - modelo estocástico

Según observaciones experimentales, se ha informado que la distribución de nanopartículas
dentro del compuesto obedece a una distribución gaussiana. cuya función de densidad de
probabilidad se muestra como Ec. (6)

DONDE σ ES LA DESVIACION ESTANDAR Y µ ES EL VALOR MEDIO DE LA DISTRIBUCIÓN

Configuracion numerica
En el modelo numérico, se empleó un cuerpo rígido para el impactador sin deformación durante el
impacto. Se asignó una velocidad inicial para reproducir cargas de 15 y 30 J. Las condiciones de
contorno incluyeron la fijación de la región roja para simular el marco. Se utilizó el
comportamiento automático de contacto superficie a superficie para representar la interacción
impactador-objetivo. Se realizó un estudio de sensibilidad de malla antes de modelar compuestos
con nanopartículas, crucial para el método de elementos finitos y el modelado estocástico.

RESULTADOS
En esta figura, se comparan resultados experimentales y numéricos para curvas de fuerza-
desplazamiento con una energía de impacto de 15 J. La distribución espacial afecta
significativamente el tiempo de contacto, desplazamiento residual y carga pico, mostrando
variaciones de alrededor del 20% en diferentes casos.

La comparación entre modelos estocásticos (Casos 1–6) y un modelo uniforme (Caso 0) revela que
la carga máxima es mayor en el modelo uniforme, pero el estocástico captura características
importantes, como una caída significativa post-pico en Caso 4 debido a la distribución de
nanopartículas.

En la Figura 5, la distribución de nanopartículas, especialmente cerca del punto de impacto en Caso

4, afecta la respuesta mecánica, destacando la capacidad del modelado para abordar la
incertidumbre en nanocompuestos.

En los daños post-impacto (Figura 6), se evalúa la región dividida en cuatro partes. La medición de
la sangría ayuda a estimar el volumen del daño, permitiendo una evaluación cuantitativa de la
deformación cercana al impacto y la comparación entre resultados experimentales y numéricos.

CONCLUSIONES
• A medida que la energía aumenta de 15 a 30 J, la importancia de la distribución de las
nanopartículas disminuye. La variación en el historial de carga debido a la distribución de
nanopartículas se redujo del 20% al 10%, y la desviación en el daño del 81 al 4%.

• La aplicación del modelo estocástico puede ayudar a determinar el rango de tolerancia al daño
bajo carga de impacto para el diseño de nanocompuestos. El volumen de daño puede mostrar
hasta un 50% de variación si se considera la distribución de nanopartículas.