Nanopartículas de grafeno como materiales digitales generadores de datos en la industria 4.0

Scientific Reports volumen 13, Número de artículo: 4945 (2023) Citar este artículo

3085 Accesos

6 Altmetric

Detalles de métricas

Una de las aplicaciones potenciales de los materiales 2D es mejorar la multifuncionalidad de las estructuras y los componentes utilizados en las industrias aeroespacial, automotriz, civil y de defensa. Estos atributos multifuncionales incluyen detección, almacenamiento de energía, blindaje EMI y mejora de propiedades. En este artículo, hemos explorado el potencial del uso del grafeno y sus variantes como elementos sensoriales generadores de datos en la Industria 4.0. Hemos presentado una hoja de ruta completa para cubrir tres tecnologías emergentes, es decir, materiales avanzados, inteligencia artificial y tecnología de cadena de bloques. La utilidad de los materiales 2D, como las nanopartículas de grafeno, aún no se ha explorado como interfaz para la digitalización de una fábrica inteligente moderna, es decir, la "fábrica del futuro". En este artículo, hemos explorado cómo los compuestos mejorados con materiales 2D pueden actuar como una interfaz entre los espacios físicos y cibernéticos. Se presenta una descripción general del uso de sensores integrados inteligentes basados ​​en grafeno en varias etapas de los procesos de fabricación de compuestos y su aplicación en el monitoreo de la salud estructural en tiempo real. Se discuten los desafíos técnicos asociados con la interfaz de redes de detección basadas en grafeno con el espacio digital. Además, también se presenta una descripción general de la integración de herramientas asociadas, como inteligencia artificial, aprendizaje automático y tecnología de cadena de bloques con dispositivos y estructuras basados ​​en grafeno.

Una revolución industrial es un período de tiempo en el que ocurren cambios significativos en la forma en que se producen los bienes en la medida en que transforman fundamentalmente la sociedad, y se caracteriza por la introducción de tecnologías disruptivas y métodos de producción novedosos1,2,3. Esto generalmente conduce a una mayor eficiencia, costos reducidos, mayor producción y un impacto económico y social generalizado3. La primera revolución industrial (Industria 1.0) se caracterizó por la introducción de métodos mecánicos de producción utilizando energía hidráulica y vapor3,4. La Industria 2.0 vio la introducción de la producción en masa utilizando electricidad y la línea de montaje5,6. La Industria 3.0 introdujo el uso de tecnología de la información, computadoras y automatización en la producción, lo que llevó a una mayor eficiencia y personalización6. Industry 4.0 va más allá al incorporar sistemas inteligentes y autónomos, inteligencia artificial, robótica, Internet de las cosas (IoT), computación en la nube y la integración de sistemas físicos y virtuales que conducen a un mayor nivel de automatización e intercambio de datos7,8,9 ,10. Se espera que la Industria 4.0 evolucione gradualmente hacia la Industria 5.0, que se caracterizará por nuevos avances en las tecnologías mencionadas anteriormente10,11,12.

En la Industria 4.0, la interconexión del espacio físico y virtual es un paso crucial que es necesario para realizar operaciones inteligentes en los procesos de fabricación y diseño de materiales13,14,15,16. El espacio físico en una configuración de fabricación inteligente se refiere a las herramientas de fabricación, las materias primas y los recursos humanos. Mientras que el espacio virtual incluye recursos informáticos equipados con capacidades de almacenamiento y uso compartido de datos, así como herramientas de análisis de datos. La convergencia de estos dos espacios se logra actualmente a través de una serie de sensores integrados o mediante dispositivos de imagen. Sin embargo, estos métodos son ineficaces e implican la incrustación de objetos extraños dentro del material o la estructura. Reemplazar dichos dispositivos con el propio material revolucionará el paradigma de la fabricación digital. Dicho material puede ser "inteligente" y capaz de detectar y transmitir la información o los datos recopilados al espacio virtual en tiempo real.

El grafeno y otros materiales 2D pueden actuar como la interfaz requerida y hacer que el material se comunique directamente con el mundo digital17,18. El grafeno y los materiales 2D relacionados han sido el foco de una intensa investigación y desarrollo durante más de una década, sin embargo, los productos que utilizan estos materiales aún no han captado el mercado. Se anticipó que el grafeno, denominado "material maravilloso", tendría una amplia gama de aplicaciones que van desde la electrónica, las estructuras civiles/mecánicas y la filtración de agua hasta la tecnología portátil, los biosensores y la medicina19. Sin embargo, debido a la escala y el costo de producción, estas expectativas no pudieron realizarse después de más de una década20. Actualmente, los dispositivos de generación de datos (como los sensores) basados ​​en materiales 2D se encuentran principalmente en sus niveles iniciales de preparación tecnológica (TRL). Se requiere más investigación para aumentar los niveles de preparación de la tecnología y tener sistemas prototipo más sofisticados fabricados para su implementación comercial. Para acelerar el camino hacia la industrialización de materiales 2D y aumentar su potencial de impacto futuro a nivel comercial, es necesario desarrollar e integrar herramientas asociadas como la inteligencia artificial y la tecnología de cadena de bloques con estos dispositivos. Una de las aplicaciones potenciales de las nanopartículas de grafeno es impartir multifuncionalidad a las estructuras. Estos atributos multifuncionales incluyen detección, almacenamiento de energía, blindaje EMI y mejora de propiedades, etc.21,22,23,24.

El grafeno ofrece una serie de cualidades fundamentalmente superiores que lo convierten en un material prometedor para una amplia gama de aplicaciones, particularmente en dispositivos electrónicos. El grafeno se presenta en una miríada de formas, como nanoflakes, nanoplaquetas, nanohojas, puntos cuánticos, óxido de grafeno, óxido de grafito, óxido de grafeno reducido, etc.25, con diferentes formas que brindan diferentes funcionalidades22,26,27. La forma de grafeno para una aplicación en particular puede no ser útil para otras aplicaciones. Por ejemplo, el grafeno utilizado para el blindaje EMI no se puede utilizar como biosensor o como transistor. Del mismo modo, el grafeno utilizado para el almacenamiento de energía es diferente del utilizado para la detección de deformaciones mecánicas. La forma de grafeno enfocada aquí es el óxido de grafeno reducido (rGO), que se utiliza principalmente para la detección basada en deformaciones mecánicas. La versatilidad de los dispositivos basados ​​en grafeno va más allá de los circuitos de transistores convencionales e incluye electrónica flexible y transparente, optoelectrónica, sensores piezorresistivos, sistemas electromecánicos y dispositivos de almacenamiento de energía28. La detección basada en óxido de grafeno reducido ha ganado fuerza en el campo de los compuestos poliméricos muy recientemente29. Los copos de grafeno y el rGO se pueden incrustar en una estructura, como una estructura compuesta, ya sea mezclándolos en el sistema de resina o recubriendo los refuerzos de fibra29. El principio de funcionamiento de los sensores piezorresistivos basados ​​en rGO involucra nanomateriales que forman una red eléctricamente conductora y túneles eléctricos entre partículas que se alteran por estímulos externos, lo que resulta en cambios en la resistencia eléctrica de la red filtrada de grafeno.

El papel potencial de los sensores rGO como interfaz entre el mundo físico y el cibernético en la fabricación digital de compuestos de polímeros reforzados con fibra se ilustra gráficamente en la Fig. 1. También se podrían usar sensores adicionales, como transductores de presión, dispositivos de imágenes digitales, etc. aumentar la información obtenida a través de sensores basados ​​en rGO. Además del sistema de detección, también se requiere una unidad de procesamiento de señales con capacidades de diagnóstico y un sistema de gestión de datos para operaciones inteligentes30. La tecnología de cadena de bloques es una herramienta prometedora para la recopilación y gestión de datos, mientras que las herramientas de inteligencia artificial pueden proporcionar las capacidades de procesamiento de señales requeridas. Por lo tanto, los sensores basados ​​en rGO, las herramientas impulsadas por IA y la tecnología de cadena de bloques pueden formar una tríada que podría permitir la fabricación inteligente. Además, la base de datos se puede diversificar con la ayuda de herramientas de simulación y gemelos digitales.

Diagrama de flujo que ilustra la digitalización de estructuras compuestas utilizando nanopartículas de grafeno como interfaz para crear un entorno de fábrica digital. Los sensores basados ​​en óxido de grafeno reducido junto con los sensores tradicionales se pueden incorporar en la configuración de fabricación para la fabricación digital. Utilizando herramientas avanzadas como la tecnología de cadena de bloques, la inteligencia artificial, las simulaciones virtuales y los gemelos digitales, se puede lograr la fabricación inteligente dentro del marco de la Industria 4.0.

En este artículo, hemos reconocido la utilización prospectiva de nanopartículas de grafeno como materiales digitales en el contexto de la Industria 4.0. Primero, explicamos cómo usar rGO como un sensor integrado, seguido de los tipos de datos generados por estos sensores durante el proceso de fabricación, así como durante la vida útil de una estructura. Se presenta el uso de tecnología de cadena de bloques y herramientas de inteligencia artificial para recopilar y procesar los datos, y el papel de los gemelos digitales en la fabricación inteligente. Los datos generados con sensores tradicionales y basados ​​en rGO se pueden recopilar y almacenar de manera eficiente y segura utilizando tecnología de cadena de bloques. Las herramientas de aprendizaje automático y profundo se pueden usar para crear modelos predictivos, de detección y de calibración usando esta base de datos, que puede analizar señales en tiempo real capturadas usando sensores basados ​​en grafeno. En resumen, hemos presentado una hoja de ruta para hacer converger tres tecnologías emergentes, es decir, materiales 2D avanzados, inteligencia artificial y cadena de bloques para realizar una fabricación inteligente en la Industria 4.0.

Para fabricar sensores de deformación basados ​​en rGO para compuestos, se usa grafeno como precursor, generalmente sintetizado mediante un método de arriba hacia abajo o de abajo hacia arriba31. Los enfoques de arriba hacia abajo, como la exfoliación mecánica, la oxidación-reducción de GO, la exfoliación en fase líquida y la descarga de arco, implican la descomposición estructural del precursor como el grafito, seguida de la separación entre capas para producir láminas de grafeno32. La deposición química de vapor (CVD), el crecimiento epitaxial y la síntesis orgánica total utilizando gas de fuente de carbono para sintetizar grafeno en un sustrato son ejemplos de técnicas ascendentes31. Las nanopartículas de grafeno y materiales 2D similares se pueden incrustar dentro de una estructura compuesta reforzada con fibra, ya sea dispersándolas en la matriz o recubriéndolas directamente sobre los refuerzos de fibra33,34.

En este enfoque, la resina polimérica (matriz) se modifica mediante la dispersión de nanopartículas de grafeno dentro de la resina, lo que da como resultado un nanocompuesto tradicional35,36. Se recopila una enorme cantidad de datos útiles, como proporciones de mezcla, fuerza de agitación mecánica, parámetros de mezcla centrífuga, etc. Los datos recopilados durante la mezcla de nanopartículas de grafeno en el sistema de resina son útiles para predecir el estado físico del óxido de grafeno reducido, como la exfoliación y calidad de reducción lograda, que puede influir directamente en propiedades como la conductividad eléctrica, el blindaje EMI y una serie de propiedades mecánicas diferentes29. Sin embargo, la resina modificada también puede causar problemas como la alteración de la viscosidad de la resina, la aglomeración de partículas, la gelificación prematura, el efecto de filtración dentro de la tela mientras se infunde la resina y la distribución desigual del relleno en todo el laminado compuesto37,38. Estos problemas han dificultado la aplicación práctica de las resinas cargadas con rGO y sus compuestos, especialmente durante la fabricación de piezas grandes y gruesas, por ejemplo, palas de turbinas eólicas, donde el llenado de moldes puede convertirse en un gran desafío.

Recubrir rGO directamente sobre los refuerzos fibrosos en lugar de modificar la matriz es un enfoque alternativo para superar los problemas destacados anteriormente. Además de impartir capacidades de detección, el recubrimiento de refuerzos con rGO también brinda la posibilidad de mejorar las propiedades mecánicas y físicas del compuesto; por lo tanto, dotando de propiedades multifuncionales a la estructura final39. Las técnicas para depositar rGO sobre refuerzos fibrosos incluyen, (i) deposición química de vapor (CVD)40, (ii) deposición electroforética41, (iii) recubrimiento por solución y rociado42, y (iv) apresto que contiene rGO aplicado directamente a las fibras durante la fibra. proceso de fabricación 43. Cuando se deposita sobre los refuerzos, la estructura/parte compuesta se vuelve eléctricamente conductora debido a la formación de una red de nanopartículas rGO de mesoescala30. Cuando se somete a estímulos externos, como la presión de un fluido o fuerzas mecánicas, la ruta conductora se interrumpe y la resistencia/conductividad eléctrica general de la pieza/estructura se altera. Este cambio en la resistencia/conductividad se mide y se correlaciona con los estímulos externos.

La resistencia general de la red conductora formada por rGO se puede dividir en tres tipos: (i) resistencia intrínseca de rGO, (ii) resistencia de contacto y (iii) resistencia de túnel/salto. Esto se puede expresar usando la siguiente ecuación29

donde Ri es la resistencia intrínseca, Rc es la resistencia de contacto y Rt es la resistencia al túnel. El requisito clave para estos sensores es la capacidad de detectar pequeños cambios en la resistencia general (ΔR). La señal normalmente se manipula como un cambio de resistencia relativo o fraccional (FCR) en lugar de mediciones absolutas. El valor medido se toma relativo a un valor de referencia (R0) y normalizado por el mismo (R0), dado como;

donde, R es el valor medido y R0 es un valor de referencia. El rGO revestido puede hacer que el material de la tela sea "digitalmente sensible" al generar señales que se pueden medir usando cualquier sistema de adquisición de datos (DAQ). Los cambios físicos que ocurren durante la fabricación se pueden monitorear fácilmente, como la respuesta de compactación del refuerzo, las fuerzas de sujeción del molde, la distribución de la presión de la resina, el seguimiento del frente de flujo y la cinética de curado de la resina, que tradicionalmente se recopilaban utilizando sensores y actuadores externos que no formaban parte de el material en sí44. Para el monitoreo del proceso, los cambios en la resistencia eléctrica se pueden expresar en términos de factor de ganancia, que es una medida del cambio porcentual en la resistencia inicial de la estructura. Además de la señal, también es necesario archivar diferentes parámetros, como la calibración del sensor, los parámetros de recubrimiento, etc.45. Hay una gran cantidad de parámetros cuantificables que se pueden registrar desde la etapa de recubrimiento, como la concentración de la solución de recubrimiento, los parámetros de sonicación (tiempo, temperatura y frecuencia), el número de capas de recubrimiento, el tiempo y la temperatura de reducción de rGO, etc. Estos parámetros afectan el valor de resistencia final y, por lo tanto, la sensibilidad de los sensores basados ​​en rGO29. Los datos recopilados se pueden almacenar y analizar para diseñar moldes, seleccionar compuertas de inyección y respiraderos óptimos, medir la permeabilidad del refuerzo y predecir el curado de la resina46,47,48.

Mientras están en funcionamiento, los sensores rGO generan señales que corresponden a varios fenómenos/actividades físicas según el entorno al que está expuesto el material inteligente. En un proceso típico de fabricación de materiales compuestos, como el proceso de moldeo de materiales compuestos líquidos (LCM), hay tres etapas principales, es decir, la compactación del refuerzo seco, la inyección de resina y el curado de resina, como se muestra en la Fig. 2. Las tres etapas son propensas al proceso. variabilidades y necesitan ser monitoreados usando sensores de tensión y presión. En la literatura informada, los sensores de tela integrados rGO se han empleado para monitorear los procesos LCM44,45, que son algunos de los procesos de fabricación de compuestos fuera del autoclave comúnmente utilizados. Los sensores basados ​​en tela recubierta rGO ahora se utilizan en una variedad de formas geométricas (sensores de punto, sensores de línea o sensores de área) y configuraciones para aplicaciones de monitoreo45. También es deseable que el concepto de sensores integrados se aplique a otros procesos de fabricación de compuestos, como el bobinado de filamentos y la pultrusión para la industria civil y de la construcción. Los sensores integrados basados ​​en rGO brindan datos útiles en cada etapa del ciclo de fabricación, con información vital extraída relacionada con el contenido de vacíos y la salud estructural de la estructura fabricada.

Datos generados durante el ciclo de vida de un componente compuesto inteligente, durante y después de la fabricación. La compresibilidad de la tela se cuantifica por la tensión aplicada requerida para lograr la fracción de volumen de fibra objetivo. La evolución de la permeabilidad del refuerzo y las características de flujo son características importantes durante la infusión de la resina, seguidas de la cinética de curado de la resina. La distribución del estrés dentro de una estructura es crucial para monitorear su salud y para adoptar medidas de pronóstico. Todos los aspectos son monitoreados utilizando telas recubiertas in situ.

El primer paso en la fabricación de materiales compuestos a través del Moldeo de Compuestos Líquidos (LCM) es el paso de preformado, en el que los refuerzos secos se someten a compactación transversal, de modo que puedan adaptarse a la forma del molde y alcanzar el espesor parcial y el contenido de volumen de fibra objetivo. . La etapa de compactación varía según el tipo de técnica LCM utilizada. El moldeo por transferencia de resina (RTM) es un proceso de molde cerrado en el que las platinas rígidas del molde aplican altas fuerzas de compactación en los refuerzos mediante una prensa, mientras que en el RTM asistido por vacío (VARTM), la fuerza de vacío se aplica para comprimir la bolsa de vacío contra el refuerzo colocado en un molde de una sola cara. Durante la fase de compactación, la compresión desigual dentro de un molde puede provocar variaciones de espesor, particularmente en el caso de VARTM. En ambos casos, las fuerzas de compactación aplicadas determinan la fracción de volumen de fibra del compuesto, que a su vez determina la calidad de la pieza final y las propiedades mecánicas del compuesto. Los sensores integrados basados ​​en rGO se han utilizado para monitorear las fuerzas de compactación que actúan sobre los refuerzos en los procesos VARTM y RTM. Los sensores basados ​​en rGO pueden detectar fuerzas de compactación de refuerzos secos e impregnados con resina en forma de cambio de resistencia. Durante esta etapa, se requieren las fuerzas de sujeción del molde y los datos de relajación de la tensión, que generalmente se determinan de manera proactiva a través de experimentos de caracterización49. Esta información ahora se obtiene in situ a través de sensores basados ​​en materiales 2D50. Recientemente, Ali et al.50 han demostrado que incluso un fenómeno dependiente del tiempo muy complejo, como la relajación de la tensión de los refuerzos en un molde cerrado, también se puede monitorear utilizando sensores integrados basados ​​en rGO y MXenes.

Durante la inyección de resina, la distribución de la presión dentro del molde cambia rápidamente. Este fenómeno generalmente se controla mediante sensores puntuales perforados dentro del molde51,52,53,54,55. Los tejidos recubiertos con rGO pueden actuar como una alternativa atractiva a estos conjuntos de sensores44. Los datos de cambio de resistencia generados a partir de los tejidos revestidos dependen de la conductividad de la resina y de las propiedades dieléctricas del sistema de resina utilizado44. La conductividad/resistividad de las nanopartículas de grafeno juega un papel importante cuando la resina impregna las fibras recubiertas. El cambio gradual en la presión dentro del molde también es un indicador de la impregnación de resina capturada a través del cambio en la resistencia de los sensores integrados. Además, el seguimiento de carrera y la formación de puntos secos dentro de la pieza se pueden detectar comparando señales de sensores colocados en diferentes posiciones espaciales dentro de la preforma45. La interacción de la resina con los sensores puede proporcionar información sobre la distribución de la resina dentro del molde. También es posible realizar gráficos 2D del proceso de infusión de resina mediante mapeo espacial durante el proceso de impregnación56,57. Esto requiere una matriz virtual de sensores, un sistema de multiplexación en combinación con una Unidad de medida de fuente (SMU) o una unidad de medida de resistencia similar.

La resistencia de los sensores integrados es sensible a la gelificación y la reticulación, ya que la resina observa contracción durante estas etapas y aplica fuerzas de compactación en las nanopartículas de grafeno, lo que da como resultado un cambio en la resistencia eléctrica general56. Varias etapas de curado, incluida la gelificación inicial, el endurecimiento (donde tiene lugar la contracción de la resina) y el curado posterior, se detectan mediante el control de los cambios relativos en la resistencia eléctrica de los sensores, tal como lo describen Khan et al45.

Las estructuras compuestas están frecuentemente sujetas a una serie de escenarios de carga en múltiples aplicaciones a lo largo de su vida útil. Dependiendo del tipo de aplicación, estas cargas pueden variar desde un impacto de alta velocidad a uno de baja velocidad que produce grandes desviaciones58,59. Cualquier sistema de monitoreo de la salud estructural consta de elementos de detección, preferiblemente integrados dentro de la estructura y conectados a una unidad de procesamiento de señales con algoritmos de diagnóstico y un recurso de gestión de datos30. Los sensores recubiertos con nanomateriales basados ​​en carbono han mostrado un gran potencial en los últimos años para aplicaciones de detección en estructuras compuestas. En comparación con los nanotubos de carbono, los sensores de escamas de grafeno y rGO se destacan en sus aplicaciones de detección debido a una mayor relación de aspecto y rentabilidad60. Las estructuras compuestas integradas de rGO se pueden usar para detectar la tensión y el daño durante su vida útil. El mecanismo de detección piezorresistiva en los FRPC depende de si el rGO se recubre con telas o se mezcla con la resina. Cuando rGO está presente en la matriz, se puede detectar un aumento irreversible de la resistencia eléctrica61 debido a la iniciación de grietas en la matriz y la delaminación de las capas de tejido. Alternativamente, en los casos en los que el rGO se recubre directamente sobre los refuerzos, las redes conductoras se limitan a la superficie de la fibra, por lo que la detección de grietas en la matriz se vuelve relativamente difícil. No obstante, la enorme cantidad de datos que se generan pueden utilizarse para arreglos preventivos de estructuras compuestas antes de que ocurra una falla catastrófica62.

Se ha informado mucho sobre el monitoreo de la salud estructural (SHM) en el que los compuestos se probaron en diferentes modos, incluidos la tracción, la compresión, la flexión, el impacto, la fluencia y la relajación de la tensión63. Una revisión exhaustiva de la literatura sobre el tema muestra que una serie de estudios han informado la implicación exitosa de los sensores de tela recubiertos con rGO para monitorear la respuesta de flexión de las estructuras compuestas. Es muy interesante notar que además de la capacidad precisa de detección de tensión bajo carga de flexión, estos sensores inteligentes también pueden exhibir una respuesta distinta para cargas de tracción y compresión, si se colocan por encima y por debajo de las superficies neutras en carga de flexión41,64. Varios investigadores han llevado estos sensores recubiertos de rGO un paso más allá para investigar su viabilidad para detectar la carga repetitiva a largo plazo en estructuras compuestas. Se ha informado una repetibilidad notable en la respuesta piezorresistiva en cargas cíclicas tanto de flexión como de tracción hasta 3000 ciclos de carga65,66. También vale la pena mencionar que los sensores de fibra basados ​​en nanopartículas de grafeno también se han adoptado en estructuras compuestas complejas para una SHM in situ exitosa. De hecho, estos sensores inteligentes fueron nuevamente capaces de informar una respuesta distintiva a la carga de compresión y tensión en función de su ubicación por encima y por debajo de la superficie neutra67. Curiosamente, un par de estudios recientemente ampliaron aún más el uso de sensores recubiertos con rGO en forma de láminas frontales compuestas inteligentes en estructuras sándwich de panal para SHM in situ. Las estructuras sándwich aeroespaciales inteligentes no solo eran sensibles a la longitud del tramo y al espesor del núcleo68, sino que también mostraban respuestas distintivas a múltiples tasas de carga en vigas de cualquier ancho arbitrario de interés69. Teniendo en cuenta que los compuestos sándwich basados ​​en núcleos de nido de abeja Nomex™ son una parte integral de las aeroestructuras modernas, estos hallazgos recientes muestran un potencial notable en términos de capacidades de detección de sensores piezorresistivos recubiertos con rGO activos en la industria aeroespacial.

Hasta el momento se han logrado avances significativos en términos de detección de la respuesta mecánica convencional en estructuras compuestas. Sin embargo, es sumamente importante tener en cuenta que la naturaleza viscoelástica heredada de la resina de polímero y los refuerzos de fibra hace que su respuesta mecánica dependa del tiempo, por lo que la respuesta piezorresistiva de estos sensores inteligentes también se convierte en una función del tiempo70. Por lo tanto, es muy importante investigar la respuesta de relajación del estrés viscoelástico y la fluencia a largo plazo utilizando sensores inteligentes basados ​​en rGO. A pesar de la importancia de tal respuesta en la aplicación a largo plazo de estructuras compuestas, esta área de investigación aún no se ha explotado adecuadamente. Irfan et al.65 realizaron el primero de este tipo de estudio basado en sensores inteligentes basados ​​en rGO, para investigar el efecto de la temperatura en el rendimiento mecánico de los compuestos mediante análisis mecánico dinámico. Los resultados también se compararon con la respuesta de los sensores de tela recubiertos con MXene bajo un análisis mecánico dinámico similar usando experimentos de barrido de temperatura. Los resultados fueron bastante prometedores ya que los sensores no solo fueron capaces de detectar la respuesta termomecánica, sino que también detectaron el fenómeno de transición vítrea y la transición de la región vítrea a la gomosa. De hecho, los sensores basados ​​en rGO exhibieron una respuesta más suave en comparación con los sensores basados ​​en MXene.

Por lo tanto, los sensores basados ​​en rGO han mostrado un gran potencial para aplicaciones de autodetección en múltiples aplicaciones industriales de estructuras compuestas. No obstante, las estructuras compuestas inteligentes con autodetección pueden considerarse un campo emergente, a pesar de una serie de limitaciones y desafíos para los investigadores que trabajan en este campo. Antes de su implicación a escala industrial, varias áreas necesitan una investigación rigurosa. Algunas de estas áreas pueden incluir: (i) la escalabilidad de estos sensores; (ii) calibración; (iii) efecto de otros estímulos externos, como factores ambientales; (iv) comparación con sensores convencionales bien establecidos para estas aplicaciones, como los sensores piezoeléctricos (PZT) y los sensores Fiber Bragg Grating (FBG) y (v) hacer que estos sensores sean lo suficientemente inteligentes como para transmitir señales directamente en dispositivos portátiles como teléfonos móviles.

Dado que los sensores basados ​​en rGO tienen un gran potencial para ser utilizados en un entorno industrial, su integración con el mundo cibernético sigue siendo un desafío y no se ha trabajado mucho. En esta sección, presentamos una hoja de ruta de las tecnologías de Industria 4.0 y cómo estas tecnologías pueden usar los datos generados a través de estos sensores (como se describe en las secciones mencionadas anteriormente) para crear fábricas inteligentes. Una fábrica inteligente es un entorno de fabricación autoadaptable y altamente automatizado capaz de ejecutar de forma autónoma procesos de producción completos y tomar decisiones basadas en datos71,72. Una configuración de fabricación de este tipo tiene la capacidad de optimizar automáticamente el rendimiento y mejorar la eficiencia, la flexibilidad y el control de calidad mediante la autoadaptación a las nuevas condiciones a través del aprendizaje en tiempo real o casi real73. Integra sistemas digitales y físicos a través de una red interconectada de máquinas, mecanismos de comunicación y potencia informática, y utiliza tecnologías avanzadas como cadena de bloques, inteligencia artificial, aprendizaje automático, etc., para recopilar y analizar datos74,75. Esta integración se logra a través de una red de sensores y actuadores que permiten que un sistema físico acceda a las capacidades del espacio virtual o "metaverso"75,76.

Los datos recopilados por los sensores basados ​​en rGO se pueden utilizar para realizar experimentos virtuales y tomar decisiones en una fábrica inteligente. Los sensores recubiertos con rGO pueden transmitir información digital del espacio físico al espacio digital, como proporciones de mezcla de rGO, fuerzas de sujeción del molde, distribución de presión en el molde, etc. Esta información digital viene en varios formatos (datos numéricos, imágenes, datos dependientes del tiempo). datos, etc). El papel del espacio digital o el "metaverso" es recopilar estos datos de forma segura, interpretarlos y generar comandos accionables. Estos comandos procesables podrían ser un árbol de decisiones que puede habilitar/deshabilitar las líneas de alimentación de resina en función de la información recopilada del molde mediante sensores basados ​​en rGO.

El concepto de "meta-verso" es muy amplio y sus componentes clave son la realidad virtual/aumentada usando gemelos digitales, inteligencia artificial, cadena de bloques, IoT, etc. Digital Twin (DT) es uno de los componentes centrales de la Industria 4.0, que se denomina réplica virtual o prototipo digital del proceso físico, totalmente integrado con el sistema físico y capaz de realizar simulaciones virtuales en tiempo real77,78,79. La simulación virtual es un aspecto clave de DT que requiere iteraciones continuas entre entidades físicas y virtuales80,81. Estas simulaciones incluyen enfoques computacionales basados ​​en la física (FEM/CFD)82,83,84,85,86,87 así como simulaciones estocásticas basadas en datos88,89,90. Las ventajas de las simulaciones digitales sobre los procedimientos experimentales son evidentes en el consumo de materiales, las horas de trabajo y la reducción general de costos. Además de estas ventajas, estas simulaciones se pueden utilizar para generar conjuntos de datos que se utilizarán en el entrenamiento y la creación de modelos de aprendizaje automático. Aunque tales simulaciones no se pueden realizar en tiempo real, los modelos de aprendizaje automático basados ​​en datos sintéticos pueden ser útiles91. Las capacidades del gemelo digital a veces se mejoran con las tecnologías de realidad virtual y aumentada92 que permiten interacciones hombre-máquina93,94. Por ejemplo, Pérez et al.95 presentaron y validaron un DT mejorado con realidad virtual para diseñar el proceso automatizado de una configuración de fabricación de varios robots, así como su implementación mejorada y monitoreo en funcionamiento.

Los gemelos digitales se implementan en niveles diferentes pero interrelacionados13. En el contexto de las estructuras mixtas, estos niveles incluyen las fases de diseño, fabricación/montaje y puesta en servicio/operación80. A nivel de diseño, también se conoce como "gemelo de material digital" (DMT), que se refiere a los modelos computacionales realistas del material compuesto que se pueden usar para verificar el diseño y predecir las propiedades mecánicas del compuesto final, así como para estimar los parámetros del proceso, como la respuesta de compactación y las propiedades de flujo de la resina dentro de las fibras de refuerzo96,97,98. Estos parámetros están bien capturados por las telas recubiertas de rGO (como se describe en las secciones anteriores) y esta información se puede almacenar y usar para crear DMT "casi reales". Además, los sensores de tela recubierta de rGO también se pueden usar para la validación experimental de simulaciones de DT.

Los gemelos de material digital para la fabricación virtual se pueden generar a partir de diferentes técnicas de escaneo 3D, como la tomografía computarizada de rayos X (XCT)99,100,101,102,103. Durante la producción, DT se implementa a nivel de planta para un monitoreo, control y optimización efectivos del proceso16,104,105. Seon et al. creó un DT para optimizar el proceso de reducción de volumen de compuestos de autoclave para mitigar la formación de vacíos106. Zambal et al.107 generaron DT para la detección de defectos durante la instalación de fibra de carbono utilizando datos recopilados de varios sensores junto con modelos analíticos y simulaciones de elementos finitos. Finalmente, en la fase operativa, el DT se utiliza para actividades de pronóstico y diagnóstico108. Milanoski et al.109,110 desarrollaron un DT basado en FEM para el monitoreo de la salud estructural de paneles compuestos rígidos mediante la estimación de la carga que actúa sobre la estructura utilizando datos de deformación adquiridos de sensores de rejilla Fiber Bragg (FBG). Sisson et al.111 siguieron un enfoque de gemelo digital para optimizar los parámetros de vuelo de los helicópteros al minimizar el estrés en los componentes mecánicos críticos y mediante el diagnóstico probabilístico, el pronóstico y la optimización. Utilizando los datos recopilados de los sensores de deformación, no solo es posible detectar la presencia del daño sino también la evolución del mismo, por lo que también se puede predecir la vida útil restante de la pieza109. El conocimiento sobre la salud de las estructuras y las piezas ayuda a tomar medidas preventivas, como el reemplazo de piezas, la reparación de daños, la detención de grietas, etc.

La inteligencia artificial (IA) generalmente se refiere a máquinas que están diseñadas para realizar tareas que normalmente requieren una inteligencia similar a la humana, como la percepción, el razonamiento y la toma de decisiones112,113,114. Intrínsecamente, los sistemas de IA consisten en modelos matemáticos basados ​​en datos para la inferencia y la resolución de problemas de forma autónoma114. La IA abarca subcampos de aprendizaje automático y profundo, visión por computadora, procesamiento de lenguaje natural y computación cognitiva, cada uno de los cuales se enfoca en diferentes aspectos de la tecnología de IA. La inteligencia artificial y los materiales 2D son dos de las tecnologías disruptivas que se entrelazan115,116,117. Por un lado, los materiales 2D podrían ser un habilitador para construir dispositivos para IA, como memristores, fotodetectores, etc.118,119,120,121,122. Por otro lado, las herramientas de IA como el aprendizaje automático y profundo no solo pueden acelerar el descubrimiento, el diseño y la optimización de materiales 2D123,124,125,126, sino que también pueden interpretar las señales generadas por sensores basados ​​en materiales 2D. Aquí, dado que estamos discutiendo el grafeno como un sensor potencial, restringiremos nuestras discusiones a las herramientas de inteligencia artificial para el procesamiento de señales.

El papel de las técnicas de IA en la fabricación digital con sensores rGO puede verse principalmente como una herramienta de procesamiento de señales. El seguimiento del proceso de fabricación suele implicar la detección de anomalías y la medición de magnitudes físicas como la presión, la temperatura, etc., que pueden capturarse fácilmente mediante sensores rGO. El procesamiento en tiempo real de señales con muy baja potencia computacional hace que estas herramientas sean muy atractivas127,128. Las señales medidas por los sensores basados ​​en rGO normalmente tendrían la forma de mediciones de resistencia/voltaje/corriente. Estas señales deben convertirse en parámetros físicos como presión, estrés, deformación, temperatura, etc. a través de diferentes modelos de calibración y correlación61,129,130,131,132. Dichos modelos de calibración se pueden desarrollar fácilmente utilizando herramientas de aprendizaje automático17,50,133. Zhu et al.17 emplearon una herramienta de aprendizaje automático (análisis de componentes principales) para predecir la concentración de gas hidrógeno a partir de la respuesta medida del sensor de gas basado en rGO. Ali et al.50 calibraron sensores de tejido de vidrio revestido MXene utilizando algoritmos de aprendizaje automático supervisados ​​para correlacionar la tensión de compresión con la señal medida. Hajizadegan et al.133 extrajeron los niveles de concentración de los dopantes bioquímicos del espectro armónico de sensores armónicos basados ​​en grafeno utilizando redes neuronales artificiales (ANN).

Además de los modelos de calibración, las herramientas de IA se pueden emplear fácilmente para tareas de detección, inspección y monitoreo134. Estas tareas pueden incluir la detección de carreras de resina en moldes135, alteraciones del flujo136 y formación de zonas sin relleno137 durante la etapa de llenado de un proceso LCM, así como la inspección de filamentos rotos durante la producción de fibra138. Varios investigadores139,140,141,142,143 también han presentado nuevos métodos basados ​​en IA para la inspección del proceso de Colocación Automatizada de Fibra (AFP). Como parte del monitoreo de la salud de las estructuras, se han utilizado modelos de aprendizaje automático/profundo para la detección de defectos/daños144,145,146,147,148,149,150, caracterización de grietas/deslaminación151,152,153 y clasificación de niveles de impacto154. Yu et al.154 demostraron que las redes neuronales artificiales bayesianas probabilísticas y tradicionales pueden clasificar con éxito los niveles de energía de diferentes eventos de impacto en función de las señales obtenidas de una red de sensores piezoeléctricos. Las herramientas de aprendizaje profundo son particularmente capaces de tales tareas cuando la señal está en forma de campos y mapas 2D/3D56,57. En tales casos, estos modelos no solo son capaces de detectar estos defectos, sino también localizarlos152.

Por último, los modelos sustitutos/predictivos basados ​​en aprendizaje profundo/máquina se pueden utilizar para simulaciones de procesos155,156,157, así como para predicciones de fallas en mantenimiento de diagnóstico y pronóstico158,159,160. Utilizando los datos proporcionados por un conjunto de sensores de presión, Zhu et al.161 implementaron un modelo de red neuronal para la predicción de patrones de frente de flujo en cualquier momento de impregnación. También se presentaron modelos predictivos similares para pronosticar el curado de la resina162 y la progresión del frente de flujo163. Stieber et al. presentó modelos basados ​​en redes neuronales FlowFrontNet164 y PermeabilityNets165 para la predicción de la formación de puntos secos y mapas de permeabilidad a partir de una secuencia de imágenes de frentes de flujo, respectivamente. Pratim et al.166 presentaron un marco ANN para predecir la vida útil (durabilidad) y la resistencia residual (tolerancia al daño) de compuestos de polímero reforzado con fibra (FRP) a partir de la permitividad dieléctrica adquirida en tiempo real del material. Hassan et al.167 utilizaron algoritmos genéticos para la predicción de fallas en nanocompuestos autosensibles basados ​​en cambios de conductividad observados mediante tomografía de impedancia eléctrica.

En resumen, estas herramientas se pueden integrar dentro de la configuración de fabricación digital como modelos de calibración, detección y predicción, como se resume en la Fig. 3. Además, estos modelos se pueden volver a entrenar periódicamente según la disponibilidad de nuevos datos sin perder los pesos anteriores, por lo tanto, actualizando realmente todo el proceso de fabricación. Algunos de los modelos discutidos aquí utilizaron datos generados a partir de sensores tradicionales o datos sintéticos en lugar de datos recopilados por sensores piezorresistivos rGO. Sin embargo, los métodos discutidos aquí se pueden adaptar fácilmente para analizar datos obtenidos a través de sensores rGO.

El uso de modelos de aprendizaje automático y profundo para diversas tareas en la fabricación de compuestos en la Industria 4.0. La aplicación común de dichos modelos incluye la calibración de los sensores, la detección de anomalías mediante el análisis de las señales y la realización de tareas predictivas en tiempo real.

Como las herramientas de IA pueden analizar los datos recopilados a través de sensores basados ​​en rGO de manera eficiente, la tecnología de cadena de bloques puede recopilar y administrar datos de manera segura, confiable y rastreable168,169. Por definición, una cadena de bloques es una lista evolutiva de registros inmutables, llamados bloques, que se vinculan mediante criptografía y se almacenan en una red descentralizada de computadoras o nodos en orden cronológico170. La tecnología de cadena de bloques emplea una pieza de código autoejecutable, conocida como contratos inteligentes, para automatizar el proceso de una manera mucho más fiable y segura171. Actualmente, esta tecnología está siendo ampliamente explotada por los sectores financiero y bancario, el sector de la salud y la cadena de suministro172. Por ejemplo, la tecnología de cadena de bloques se puede emplear en la cadena de suministro de materiales compuestos reforzados con fibra, en particular, en el manejo del transporte, manejo y almacenamiento a temperatura controlada de preimpregnados en un libro mayor distribuido a prueba de manipulaciones173.

Al utilizar rGO como elemento de detección para la fabricación de compuestos de polímeros reforzados con fibra, los datos se generan en varias etapas, que incluyen propiedades físicas y parámetros del proceso. Estas etapas forman la cadena de suministro de varios niveles que comprende las materias primas, el proceso de fabricación y los componentes/estructuras terminados173,174. La naturaleza y el formato de los datos varían según el paso de procesamiento e incluyen valores numéricos, curvas dependientes del tiempo/temperatura o incluso campos bidimensionales/tridimensionales, así como descripciones subjetivas. Todos los datos generados en cada paso se pueden recopilar y almacenar de manera eficiente y segura mediante la cadena de bloques. En la Fig. 4 se ilustra una ilustración conceptual del uso de la cadena de bloques para recopilar y almacenar los datos generados. Además de los datos recopilados directamente de los sensores rGO, los datos relacionados con las características físicas del refuerzo y la matriz, así como los datos generado a partir de experimentos físicos y virtuales también es crucial para un procesamiento eficiente. Las características físicas del refuerzo y la matriz generalmente las proporciona el proveedor (primer bloque en la Fig. 4). Luego, estas propiedades se validan y se determinan nuevas características a través de experimentos de caracterización y simulaciones virtuales utilizando gemelos digitales (segundo bloque en la Fig. 4). La forma de la pieza a producir, que tendrá la forma de una geometría 3D, es otro dato importante. Los diseños de moldes y otros parámetros del proceso dependen del tipo de método de fabricación utilizado. En el caso de LCM, los parámetros del proceso incluyen el número y la ubicación de los puertos de entrada/salida, la presión de inyección, etc. Para el procesamiento de preimpregnados, el ciclo de curado y la temperatura son los parámetros principales. Los materiales recubiertos con rGO pueden desempeñar un papel fundamental en la adquisición de datos in situ durante el proceso. La inspección de piezas terminadas producirá más datos relacionados con la calidad de la pieza, como mapas de porosidad y contenido de vacíos y niveles de tolerancia175. Finalmente, mientras esté en servicio, la estructura inteligente basada en sensores rGO generará señales relacionadas con su salud estructural, que se pueden gestionar en el libro de registro de mantenimiento en el libro mayor de la cadena de bloques176. Además de la participación directa, la cadena de bloques también puede ayudar a crear DT169,177 y trabajar en conjunto con la inteligencia artificial para tener un impacto general178. No obstante, la tecnología de cadena de bloques es una herramienta de recopilación y gestión de datos segura, confiable y a gran escala para implementar operaciones inteligentes utilizando redes de elementos sensoriales179, incluidos los sensores basados ​​en rGO.

Recopilación de datos en varias etapas de la fabricación de compuestos utilizando tecnología de cadena de bloques. Los datos generados en varias etapas de fabricación, incluidas las hojas de datos de las materias primas y las señales en servicio, se pueden recopilar de manera eficiente y segura mediante el uso de tecnología de cadena de bloques.

Existen numerosos desafíos y oportunidades para las aplicaciones tecnológicas y la penetración en el mercado de las nanopartículas de grafeno como materiales digitales en diversas aplicaciones del mundo real. Es vital considerar estos desafíos antes de la comercialización a gran escala del grafeno como elemento sensor en los compuestos de polímeros reforzados con fibra y hacerlos compatibles con los estándares de la Industria 4.0. El proceso de selección de materiales es de suma importancia ya que ahora hay varios materiales 2D disponibles, y el material 2D elegido afectará no solo los pasos de procesamiento sino también las propiedades finales de detección del producto. La economía de escala también es un factor a la hora de elegir un material 2D. El modelado atomístico puede ser una herramienta para reducir la selección de materiales para una aplicación en particular. Esto se vuelve muy importante cuando se trata de compuestos multifuncionales. Los materiales 2D diseñados, como MXenes, se pueden diseñar para obtener propiedades optimizadas. El modelado atomístico también puede ayudar a hacer híbridos de dos o más materiales. La síntesis de materiales de buena calidad también es un desafío, especialmente si los procesos no están bien definidos en la literatura y la práctica. Debe decidirse si se requiere una síntesis interna o si las opciones listas para usar pueden funcionar para una aplicación.

Agregar grafeno y otros materiales 2D a la cadena de proceso es el próximo desafío. Existen numerosas formas en las que el grafeno se puede incorporar a los compuestos, por ejemplo, mezclándolo en el sistema de resina, recubriendo los refuerzos, tejiendo una estopa recubierta en la tela de refuerzo o recubriendo el compuesto final con la solución de grafeno. No existe una solución única, el usuario debe decidir qué método es óptimo para la aplicación de destino.

La fabricación de sensores es otro desafío estrechamente relacionado. También es importante decidir sobre el tamaño, número y ubicación espacial de los sensores en una estructura. Incrustar un sensor en una forma 3D compleja manteniendo sus propiedades de detección puede ser una tarea difícil. También es importante tener en cuenta el proceso de fabricación, donde se requieren diferentes enfoques para integrar un sensor. Cualquiera que sea la técnica que se utilice para incrustar nanopartículas de grafeno en el compuesto, es importante cuantificar la capacidad de detección del compuesto para detectar cualquier cambio físico.

La calibración de sensores es un gran desafío en este campo, especialmente cuando se trata de sensores entre laboratorios. Todavía no existe una estandarización de estos sensores, sin embargo, para una aplicación comercial, es deseable un protocolo de estandarización. La retención de propiedades de los sensores a lo largo del tiempo también es un factor crítico. Los factores ambientales, como la temperatura y la humedad, pueden afectar la capacidad de detección con el tiempo. Esto también es importante en los sensores comerciales, como los sensores FBG, y se realiza una inspección de rutina para garantizar el funcionamiento de estos sensores en aplicaciones del mundo real, como los puentes. De la misma manera, los sensores basados ​​en nanopartículas de grafeno deberían tener una disposición para la inspección a lo largo del tiempo. Mientras tanto, en entornos de laboratorio, se pueden realizar pruebas aceleradas para cuantificar la retención de propiedades.

Un sistema de producción a gran escala es esencial para la comercialización de nanopartículas de grafeno como material digital viable. Como se mencionó anteriormente, varios proveedores comerciales están disponibles para el suministro de materiales de grafeno; sin embargo, la aplicación del grafeno en diferentes campos plantea desafíos únicos. El grafeno y otros materiales 2D son nanomateriales viables para ser utilizados como sensores inteligentes en compuestos reforzados con fibra. Pueden proporcionar monitoreo de salud estructural y de procesos en cada etapa de la fabricación y aplicación de compuestos. Además, estos materiales también pueden mejorar otras propiedades base del compuesto puro, incluidas las propiedades mecánicas y el blindaje EMI.

Las entidades del metaverso son mucho más maduras que los materiales 2D. El espacio digital ha visto tremendos avances en capacidades computacionales que incluyen computación en la nube, análisis de big data, IoT e inteligencia artificial (IA). Sin embargo, aún no se ha logrado su integración con sensores basados ​​en materiales 2D. Incluso, la compatibilidad de varias herramientas digitales tampoco está clara. Una de las características clave de la tecnología de cadena de bloques es la información disponible públicamente. Sin embargo, la mayor parte de la información en un entorno de fabricación es de naturaleza adecuada. En este sentido, se pueden utilizar cadenas de bloques de consorcio o federadas cuando la información está restringida solo a un público objetivo. Las herramientas de IA están basadas en datos y requieren conjuntos de datos cuidadosamente seleccionados para el entrenamiento. Este tipo de datos es escaso en este momento, pero se espera que crezca con el tiempo. Por último, el concepto de gemelo digital basado en sensores de nanopartículas de grafeno también se encuentra en su fase conceptual. El crecimiento de todas estas tecnologías juntas puede traer la verdadera esencia de la Industria 4.0. No hay duda de que existen grandes oportunidades para la aplicación de grafeno y otros materiales 2D en esta área. Ya es hora de que los académicos y las industrias de compuestos, incluidos los sectores aeroespacial y automotriz, trabajen juntos para resolver los desafíos en el campo y apunten a la adaptación a gran escala del grafeno como material digital para cosechar los beneficios de este maravilloso material.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado.

Más, C. Entendiendo la Revolución Industrial (Routledge, 2000).

Google Académico

Klingenberg, CO, Borges, MAV & Antunes, JADV Industria 4.0: ¿Qué la convierte en una revolución? Un marco histórico para entender el fenómeno. Tecnología Soc. 70, 102009 (2022).

Artículo Google Académico

Deane, PM La Primera Revolución Industrial (Cambridge University Press, 1979).

Google Académico

Wrigley, EA Reconsiderando la revolución industrial: Inglaterra y Gales. J. Interdiscipl. Historia 49 (1), 9–42 (2018).

Artículo Google Académico

Jull, J. La segunda revolución industrial: La historia de un concepto. Revista Internacional de Historia de la Historiografía 36, ​​81–90 (1999).

Google Académico

Vinitha, K., Ambrose Prabhu, R., Bhaskar, R. y Hariharan, R. Revisión sobre matemáticas y materiales industriales en Industry 1.0 to Industry 4.0. Mate. Hoy Proc. 33, 3956–3960 (2020).

Artículo Google Académico

Baena , F. , Guarin , A. , Mora , J. , Sauza , J. & Retat , S. Fábrica de Aprendizaje: El camino hacia la industria 4.0 . Actas Manuf. Rev. 9, 73–80 (2017).

Artículo Google Académico

Schwab, K. La Cuarta Revolución Industrial (Crown Business, 2017).

Google Académico

Parmar, H., Khan, T., Tucci, F., Umer, R. & Carlone, P. Robótica avanzada y fabricación aditiva de compuestos: Hacia una nueva era en la industria 4.0. Mate. Fabricación Proceso. 37(5), 483–517 (2022).

Artículo CAS Google Académico

Xu, X., Lu, Y., Vogel-Heuser, B. & Wang, L. Industria 4.0 e Industria 5.0 - Inicio, concepción y percepción. J. Manuf. sist. 61, 530–535 (2021).

Artículo Google Académico

Maddikunta, PKR et al. Industria 5.0: una encuesta sobre tecnologías habilitadoras y aplicaciones potenciales. J.Ind.Inf. Integrar 26, 100257 (2022).

Google Académico

Nahavandi, S. Industria 5.0 - Una solución centrada en el ser humano. Sostenibilidad 11(16), 4371 (2019).

Artículo Google Académico

Tao, F., Qi, Q., Wang, L. y Nee, AYC Gemelos digitales y sistemas ciberfísicos hacia la fabricación inteligente y la industria 4.0: correlación y comparación. Ingeniería 5(4), 653–661 (2019).

Artículo Google Académico

Negri, E., Fumagalli, L. & Macchi, M. Una revisión de los roles del gemelo digital en los sistemas de producción basados ​​en CPS. Procedia Manuf. 11, 939–948 (2017).

Artículo Google Académico

Leng, J. et al. Diseño de sistemas de fabricación inteligente basados ​​en gemelos digitales en la Industria 4.0: una revisión. J. Manuf. sist. 60, 119–137 (2021).

Artículo Google Académico

Tao, F. & Zhang, M. Taller gemelo digital: un nuevo paradigma de taller hacia la fabricación inteligente. Acceso IEEE 5, 20418–20427 (2017).

Artículo Google Académico

Zhu, J. et al. Detección de gas de grafeno basada en textiles habilitada para aprendizaje automático con aplicación de IoT asistida por recolección de energía. Nano Energía 86, 106035 (2021).

Artículo CAS Google Académico

Levchenko, I., Bazaka, K., Belmonte, T., Keidar, M. y Xu, S. Materiales avanzados para naves espaciales de próxima generación. Adv. Mate. 30(50), 1802201 (2018).

Artículo Google Académico

Döscher, H., Schmaltz, T., Neef, C., Thielmann, A. & Reiss, T. Graphene Roadmap Briefs (No. 2): Estado de la industrialización y perspectivas para 2020. 2D Mater. 8(2), 022005 (2021).

Artículo Google Académico

Choi, SH et al. Síntesis a gran escala de grafeno y otros materiales 2D hacia la industrialización. Nat. común 13(1), 1484 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Mensah, B. et al. Nanocompuestos elastoméricos reforzados con grafeno: una revisión. polim. Pruebas 68, 160–184 (2018).

Artículo CAS Google Académico

Ren, S., Rong, P. & Yu, Q. Preparaciones, propiedades y aplicaciones del grafeno en dispositivos funcionales: una revisión concisa. Cerámica. En t. 44(11), 11940–11955 (2018).

Artículo CAS Google Académico

Hiew, BYZ et al. Revisión sobre la síntesis de configuraciones basadas en grafeno 3D y su rendimiento de adsorción para contaminantes peligrosos del agua. Proceso seguro. Reinar. prot. 116, 262–286 (2018).

Artículo CAS Google Académico

Dasari, BL, Nouri, JM, Brabazon, D. & Naher, S. Grafeno y derivados - Técnicas de síntesis, propiedades y sus aplicaciones energéticas. Energía 140, 766–778 (2017).

Artículo CAS Google Académico

Bianco, A. et al. Todo en la familia del grafeno: una nomenclatura recomendada para materiales de carbono bidimensionales. Carbono 65, 1–6 (2013).

Artículo CAS Google Académico

Zhang, F. et al. Avances recientes sobre el grafeno: Síntesis, propiedades y aplicaciones. compos. Una aplicación ciencia Fabricación 160, 107051 (2022).

Artículo CAS Google Académico

Yu, X. et al. Materiales inteligentes basados ​​en grafeno. Nat. Rev.Mater. 2(9), 17046 (2017).

Artículo ADS CAS Google Académico

Weiss, NO et al. Grafeno: un material electrónico emergente. Adv. Mate. 24(43), 5782–5825 (2012).

Artículo CAS PubMed Google Académico

Irfan, MS, Khan, T., Hussain, T., Liao, K. & Umer, R. Sensores de fibra piezorresistiva recubierta de carbono: desde el monitoreo de procesos hasta el monitoreo de la salud estructural de los compuestos: una revisión. compos. Una aplicación ciencia Fabricación 141, 106236 (2021).

Artículo CAS Google Académico

Islam, MH, Afroj, S., Uddin, MA, Andreeva, DV, Novoselov, KS, Karim, N. Compuestos inteligentes reforzados con fibra basados ​​en grafeno y CNT: una revisión. Adv. Función Mate. (2022) 2205723.

Yan, Y. et al. Síntesis de grafeno: posibles precursores de carbono y enfoques. Nanotecnología. Rev. 9(1), 1284–1314 (2020).

Artículo CAS Google Académico

Kumar, N. et al. Síntesis de arriba hacia abajo de grafeno: una revisión exhaustiva. FlatChem 27, 100224 (2021).

Artículo CAS Google Académico

Yu, R., Zhu, C., Wan, J., Li, Y. & Hong, X. Revisión de sensores de deformación textil basados ​​en grafeno, con énfasis en la relación estructura-actividad. Polímeros 13(1), 151 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Shi, J. et al. Sistemas microelectrónicos inteligentes integrados en textiles para aplicaciones portátiles. Adv. Mate. 32(5), 1901958 (2020).

Artículo CAS Google Académico

Zhang, H., Kuwata, M., Bilotti, E. y Peijs, T. Detección integrada de daños en compuestos reforzados con fibra con cargas de nanotubos de carbono extremadamente bajas. J. Nanomater. 16(1), 243 (2015).

Google Académico

Lazaridou, I., Kourkoulis, SK & Alexopoulos, ND Monitoreo de daños de compuestos reforzados con fibra de vidrio epoxi/nanotubos de carbono de diferente concentración bajo cargas incrementales cuasiestáticas. Mate. Hoy Proc. 12, 262–270 (2019).

Artículo CAS Google Académico

Böger, L., Wichmann, MHG, Meyer, LO & Schulte, K. Monitoreo de carga y salud en compuestos reforzados con fibra de vidrio con una matriz epóxica nanocompuesta eléctricamente conductora. compos. ciencia Tecnología 68(7), 1886–1894 (2008).

Artículo Google Académico

Ma, P.-C., Mo, S.-Y., Tang, B.-Z. y Kim, J.-K. Dispersión, interacción interfacial y reaglomeración de nanotubos de carbono funcionalizados en compuestos epoxi. Carbono 48 (6), 1824–1834 (2010).

Artículo CAS Google Académico

Qian, H., Greenhalgh, ES, Shaffer, MSP y Bismarck, A. Compuestos jerárquicos basados ​​en nanotubos de carbono: una revisión. J.Mater. química 20(23), 4751–4762 (2010).

Artículo CAS Google Académico

Él, D. et al. Diseño de compuestos estructurales eléctricamente conductores mediante la modulación de la longitud de nanotubos de carbono cultivados por CVD alineados en fibras de vidrio. Aplicación ACS. Mate. Interfaces. 9(3), 2948–2958 (2017).

Artículo CAS PubMed Google Académico

Mahmood, H., Vanzetti, L., Bersani, M. & Pegoretti, A. Propiedades mecánicas y monitoreo de deformación de compuestos de vidrio-epoxi con fibras recubiertas de grafeno. compos. Una aplicación ciencia Fabricación 107, 112–123 (2018).

Artículo CAS Google Académico

Tzounis, L., Kirsten, M., Simon, F., Mäder, E. y Stamm, M. La microestructura de la interfase y las propiedades eléctricas de las fibras de vidrio unidas covalente y no covalentemente con nanotubos de carbono multipared. Carbono 73, 310–324 (2014).

Artículo CAS Google Académico

Wiegand, N., Haupt, M., Mäder, E. y Cherif, C. Un estudio comparativo sobre el procesamiento textil de hilos sensores de fibra de vidrio multifuncional y de carbono para el control de la salud estructural. Adv. Ing. Mate. 18(3), 385–390 (2016).

Artículo CAS Google Académico

Alí, MA et al. Tejidos piezorresistivos recubiertos de grafeno para el control del proceso de moldeo de compuestos líquidos. compos. ciencia Tecnología 148, 106–114 (2017).

Artículo CAS Google Académico

Khan, T. et al. Supervisión del proceso de infusión de resina mediante sensores de tejido de vidrio recubierto de grafeno y matrices termoplásticas y termoestables infusibles. polim. compos. 43(5), 2924–2940 (2022).

Artículo CAS Google Académico

Hsiao, K.-T. & Advani, SG Estrategias de control y detección de flujo para abordar las perturbaciones de seguimiento de carreras en el moldeo por transferencia de resina. Parte I: diseño y desarrollo de algoritmos. compos. Una aplicación ciencia Fabricación 35(10), 1149–1159 (2004).

Artículo Google Académico

Sozer, EM, Bickerton, S. & Advani, SG Control estratégico en línea del proceso de llenado de moldes compuestos líquidos. compos. Una aplicación ciencia Fabricación 31(12), 1383–1394 (2000).

Artículo Google Académico

Bickerton, S., Stadtfeld, HC, Steiner, KV & Advani, SG Diseño y aplicación de esquemas de inyección controlados activamente para moldeo por transferencia de resina. compos. ciencia Tecnología 61(11), 1625–1637 (2001).

Artículo Google Académico

Yong, AXH, Aktas, A., May, D., Endruweit, A., Lomov, SV et al., Caracterización experimental de la respuesta de compactación textil: un ejercicio de referencia. compos. Una aplicación ciencia Fabricación 142 (2021).

Alí, MA et al. Monitoreo in situ de la respuesta de compactación del refuerzo a través de sensores de tejido de vidrio recubiertos con MXene. compos. ciencia Tecnología 227, 109623 (2022).

Artículo CAS Google Académico

Dominauskas, A., Heider, D. & Gillespie, JW Sensor eléctrico de reflectometría en el dominio del tiempo para la detección de flujo en línea en el procesamiento de moldeo de compuestos líquidos. compos. Una aplicación ciencia Fabricación 34(1), 67–74 (2003).

Artículo Google Académico

Pandey, G., Deffor, H., Thostenson, ET & Heider, D. Herramientas inteligentes con línea de detección de reflectometría en el dominio del tiempo integrada para monitoreo no invasivo de flujo y curado durante la fabricación de compuestos. compos. Una aplicación ciencia Fabricación 47, 102–108 (2013).

Artículo CAS Google Académico

Yu, Y., Cui, X., Liang, Z., Qing, X. & Yan, W. Monitoreo del frente de flujo de resina tridimensional usando una red de sensores de fibra piezoeléctrica híbrida en un proceso de moldeo de compuestos líquidos. compos. ciencia Tecnología 229, 109712 (2022).

Artículo CAS Google Académico

Matsuzaki, R., Kobayashi, S., Todoroki, A. & Mizutani, Y. Control de flujo/temperatura de resina usando una película de matriz de electrodos interdigitales multifuncionales durante un proceso VaRTM. compos. Una aplicación ciencia Fabricación 42(7), 782–793 (2011).

Artículo Google Académico

Danisman, M., Tuncol, G., Kaynar, A. & Sozer, EM Monitoreo del flujo de resina en el proceso de moldeo por transferencia de resina (RTM) usando sensores de voltaje puntual. compos. ciencia Tecnología 67(3), 367–379 (2007).

Artículo CAS Google Académico

Dai, H. & Thostenson, ET Textil escalable y multifuncional basado en nanotubos de carbono como sensores distribuidos para el monitoreo de flujo y curado. Carbono 164, 28–41 (2020).

Artículo CAS Google Académico

Rocha, H., Fernandes, C., Ferreira, N., Lafont, U. & Nunes, JP Localización de daños en compuestos de CFRP por tomografía de impedancia eléctrica. Mate. Hoy Comun. 32, 104164 (2022).

Artículo CAS Google Académico

Dai, H., Thostenson, ET & Schumacher, T. Procesamiento y caracterización de un nuevo sensor de deformación distribuida utilizando compuestos no tejidos basados ​​en nanotubos de carbono. Sensores 15(7), 17728–17747 (2015).

Artículo ADS PubMed PubMed Central Google Scholar

Dai, H., Gallo, GJ, Schumacher, T. & Thostenson, ET Una metodología novedosa para la detección de daños espaciales y la generación de imágenes utilizando un sensor compuesto basado en nanotubos de carbono distribuido combinado con tomografía de impedancia eléctrica. J. Nondestr. Eval. 35(2), 26 (2016).

Artículo Google Académico

Luo, S. et al. Revestimiento por pulverización híbrido, trazado por láser y dispensación de tinta de sensores/matrices de grafeno con piezorresistividad ajustable para el control in situ de compuestos. Carbono 139, 437–444 (2018).

Artículo CAS Google Académico

Panozzo, F., Zappalorto, M., Carraro, PA y Quaresimin, M. Cambio de resistencia eléctrica frente al estado de daño en laminados simétricos agrietados: una solución de forma cerrada. compos. Estructura. 184, 1081–1091 (2018).

Artículo Google Académico

Gordan, M. et al. Revisión de vanguardia sobre los avances de la minería de datos en el monitoreo de la salud estructural. Medida 193, 110939 (2022).

Artículo Google Académico

Hassani, S., Mousavi, M. & Gandomi, AH Supervisión de la salud estructural en estructuras compuestas: una revisión exhaustiva. Sensores 22(1), 153 (2022).

Artículo ADS CAS Google Académico

Luo, S., Obitayo, W. & Liu, T. Sensores de fibra habilitados para película delgada SWCNT para el monitoreo de la salud estructural de por vida de compuestos poliméricos: desde la fabricación hasta la utilización y la falla. Carbono 76, 321–329 (2014).

Artículo CAS Google Académico

Irfan, MS et al. Compuestos aeroespaciales multifuncionales reforzados con fibra recubiertos de MXene y grafeno con capacidades de detección y blindaje EMI. compos. Una aplicación ciencia Fabricación 165, 107351 (2023).

Artículo CAS Google Académico

Wang, G. et al. Las propiedades dependientes de la estructura de los nanomateriales de carbono permitieron sensores de fibra para el control in situ de compuestos. compos. Estructura. 195, 36–44 (2018).

Artículo Google Académico

Luo, S. & Liu, T. Sensor de fibra integrable habilitado con nanoplaquetas de grafito para monitoreo de curado in situ y monitoreo de salud estructural de compuestos poliméricos. Aplicación ACS. Mate. Interfaces. 6(12), 9314–9320 (2014).

Artículo CAS PubMed Google Académico

Ud Din, I. et al. Comportamiento electromecánico de estructuras sándwich compuestas autosensibles para la próxima generación de aeroestructuras más eléctricas. compos. Estructura. 300, 116169 (2022).

Artículo Google Académico

Ud Din, I. et al. Caracterización piezorresistiva dependiente de la velocidad de estructuras sándwich aeroespaciales inteligentes integradas con sensores de tela recubierta de óxido de grafeno reducido (rGO). compos. común 36, 101382 (2022).

Artículo Google Académico

Can-Ortiz, A., Abot, JL & Avilés, F. Caracterización eléctrica de fibras a base de carbono y su aplicación para detectar la piezorresistividad inducida por relajación en compuestos poliméricos. Carbono 145, 119–130 (2019).

Artículo CAS Google Académico

Chen, B. et al. Fábrica inteligente de la industria 4.0: tecnologías clave, caso de aplicación y desafíos. Acceso IEEE 6, 6505–6519 (2018).

Artículo Google Académico

Li, C., Chen, Y. & Shang, Y. Una revisión de big data industrial para la toma de decisiones en la fabricación inteligente. Ing. ciencia Tecnología En t. J. 29, 101021 (2022).

Google Académico

Qu, YJ, Ming, XG, Liu, ZW, Zhang, XY & Hou, ZT Sistemas de fabricación inteligente: estado del arte y tendencias futuras. En t. j adv. Fabricación Tecnología 103(9), 3751–3768 (2019).

Artículo Google Académico

Cheng, GJ, Liu, LT, Qiang, XJ, Liu, Y. Industria 4.0 desarrollo y aplicación de fabricación inteligente. En 2016 Conferencia Internacional sobre Sistemas de Información e Inteligencia Artificial (ISAI) (2016), 407–410.

Abikoye, OC et al. Aplicación de Internet de las Cosas y Sistema Ciberfísico en Industria 4.0 Fabricación Inteligente. En Emergence of Cyber ​​Physical System and IoT in Smart Automation and Robotics (eds Singh, KK et al.) 203–217 (Springer International Publishing, 2021).

Capítulo Google Académico

Xu, LD, He, W. y Li, S. Internet de las cosas en las industrias: una encuesta. Trans. IEEE. industria información 10(4), 2233–2243 (2014).

Artículo Google Académico

Tao, F., Zhang, M. y Nee, Fabricación inteligente impulsada por gemelos digitales AYC (Academic Press, 2019).

Google Académico

Glaessgen, E. y Stargel, D. El paradigma del gemelo digital para los futuros vehículos de la NASA y la Fuerza Aérea de EE. UU. En la 53.ª Conferencia de Estructuras, Dinámica Estructural y Materiales de AIAA/ASME/ASCE/AHS/ASC, Honolulu, Hawái (2012).

Tuegel, E. El gemelo digital del fuselaje: algunos desafíos para la realización En la 53.ª Conferencia AIAA/ASME/ASCE/AHS/ASC Estructuras, Dinámica Estructural y Materiales (2012).

Xiong, M. & Wang, H. Aplicaciones de gemelos digitales en la industria de la aviación: una revisión. En t. j adv. Fabricación Tecnología 121(9), 5677–5692 (2022).

Artículo Google Académico

Phanden, RK, Sharma, P. y Dubey, A. Una revisión de la simulación en gemelos digitales para la industria aeroespacial, la fabricación y la robótica. Mate. Hoy Proc. 38, 174–178 (2021).

Artículo Google Académico

Henning, F. et al. Procesamiento rápido y simulación continua de componentes compuestos estructurales automotrices. compos. ciencia Tecnología 171, 261–279 (2019).

Artículo CAS Google Académico

Shafto, M. et al. Hoja de ruta de modelado, simulación, tecnología de la información y procesamiento. Nat. Aeronauta. Administrador del espacio 32 (2012), 1–38 (2012).

Google Académico

Levy, A. & Kratz, J. Simulación numérica directa de infusión y seguimiento de frente de flujo en materiales con permeabilidad heterogénea usando un sensor de mapeo de presión. J. Compos. Mate. 54(13), 1647–1661 (2019).

Artículo Google Académico

Chai, BX et al. Optimización basada en simulación para el diseño de configuración de inyección de procesos de moldeo de compuestos líquidos: una revisión. compos. Una aplicación ciencia Fabricación 149, 106540 ​​(2021).

Artículo CAS Google Académico

Wijaya, W., Bickerton, S., Kelly, PA Simulación de compactación a mesoescala de refuerzos textiles 2D multicapa: un modelo de remolque constitutivo elástico no lineal de gran deformación basado en Kirchhoff, Compos. Una aplicación ciencia Fabricación 137 (2020).

Boschert, S. & Rosen, R. Digital Twin-The Simulation Aspect. En Mechatronic Futures (eds Hehenberger, P. & Bradley, D.) (Springer, Berlín, 2016).

Google Académico

Yerbolat, G. et al. Determinación de propiedades de materiales compuestos por regla de mezcla y simulación de monte carlo. Conferencia internacional IEEE sobre fabricación avanzada (ICAM) 2018, 384–387 (2018).

Artículo Google Académico

Dodwell, TJ et al. Simulaciones Monte Carlo multinivel de estructuras compuestas con defectos de fabricación inciertos. probable Ing. mecánico 63, 103116 (2021).

Artículo Google Académico

Zhou, K., Enos, R., Xu, D., Zhang, D. y Tang, J. Procesos gaussianos jerárquicos de respuesta múltiple para el análisis de incertidumbre con simulación de fabricación compuesta de múltiples escalas. computar Mate. ciencia 207, 111257 (2022).

Artículo CAS Google Académico

Li, L., Aslam, S., Wileman, A. y Perinpanayagam, S. Gemelo digital en la industria aeroespacial: una breve introducción. Acceso IEEE 10, 9543–9562 (2022).

Artículo Google Académico

Yin, Y., Zheng, P., Li, C. & Wang, L. Una encuesta de vanguardia sobre gemelos digitales asistidos por realidad aumentada para la transformación futurista de la industria centrada en el ser humano. Robot. Comput.-Integr. Fabricación 81, 102515 (2023).

Artículo Google Académico

Li, S. et al. Colaboración proactiva entre humanos y robots: perspectivas cognitivas mutuas, predecibles y de autoorganización. Robot. Comput.-Integr. Fabricación 81, 102510 (2023).

Artículo Google Académico

Malik, AA, Masood, T. & Bilberg, A. Realidad virtual en la fabricación: realidad artificial inmersiva y colaborativa en el diseño del espacio de trabajo humano-robot. En t. J. Cómputo. Integrar Fabricación 33(1), 22–37 (2020).

Artículo Google Académico

Pérez, L., Rodríguez-Jiménez, S., Rodríguez, N., Usamentiaga, R. & García, DF Metodología basada en gemelos digitales y realidad virtual para la puesta en marcha de celdas de fabricación multi-robot. aplicación ciencia 10(10), 3633 (2020).

Artículo Google Académico

Ali, MA, Umer, R. & Khan, KA Un marco de medición de permeabilidad virtual para refuerzos de fibra utilizando gemelos digitales generados por micro CT. En t. J. Material ligero. Fabricación 3(3), 204–216 (2020).

Google Académico

Huang, W., Causse, P., Hu, H. y Trochu, F. Investigación numérica y experimental de la permeabilidad transversal saturada de tejidos de vidrio 2D basados ​​en gemelos de materiales. polim. compos. 41(4), 1341–1355 (2020).

Artículo CAS Google Académico

Huang, W., Xu, R., Yang, J., Huang, Q. y Hu, H. Simulación multiescala basada en datos de FRP basada en gemelos de materiales. compos. Estructura. 256, 113013 (2021).

Artículo Google Académico

Ali, MA, Umer, R. & Khan, KA Gemelos de material generado por tomografía computarizada para la fabricación de compuestos en la Industria 4.0 (Springer, 2020).

Libro Google Académico

Ali, MA, Guan, Q., Umer, R., Cantwell, WJ y Zhang, T. Procesamiento eficiente de imágenes μCT utilizando herramientas de aprendizaje profundo para generar gemelos de material digital de telas tejidas. compos. ciencia Tecnología 217, 109091 (2022).

Artículo CAS Google Académico

Ali, MA, Guan, Q., Umer, R., Cantwell, WJ y Zhang, T. Segmentación semántica basada en aprendizaje profundo de imágenes µCT para crear materiales digitales gemelos de refuerzos fibrosos. compos. Una aplicación ciencia Fabricación 139, 106131 (2020).

Artículo Google Académico

Huang, W., Causse, P., Brailovski, V., Hu, H. y Trochu, F. Reconstrucción de modelos gemelos de materiales mesoestructurales de textiles de ingeniería basados ​​en el modelado geométrico asistido por micro-CT. compos. Una aplicación ciencia Fabricación 124, 105481 (2019).

Artículo Google Académico

Song, Y., Qu, Z., Liao, H. & Ai, S. Generación de materiales gemelos de compuestos de polímero tejido basados ​​en redes neuronales convolucionales ResL-U-Net. compos. Estructura. 307, 116672 (2023).

Artículo CAS Google Académico

Yao, B., Xu, W., Shen, T., Ye, X. y Tian, ​​S. Reprogramación de tareas de varios niveles basada en gemelos digitales para la línea de ensamblaje robótica. ciencia Rep. 13(1), 1769 (2023).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Lu, Y., Liu, C., Wang, KIK, Huang, H., Xu, X. Fabricación inteligente impulsada por gemelos digitales: connotación, modelo de referencia, aplicaciones y problemas de investigación. Robot. computar Integrar Fabricación 61 (2020).

Seon, G., Nikishkov, Y., Makeev, A. y Ferguson, L. Hacia un gemelo digital para mitigar la formación de vacíos durante la eliminación de piezas compuestas en autoclave. Ing. Fractura mecánico 225 (2020).

Zambal, S., Eitzinger, C., Clarke, M., Klintworth, J. y Mechin, P. Un gemelo digital para la fabricación de piezas compuestas: Efectos del análisis de defectos basado en datos de fabricación. En 2018 IEEE 16th International Conference on Industrial Informatics (INDIN) (2018), 803–808.

Lee, J., Lapira, E., Bagheri, B. y Kao, H.-A. Avances recientes y tendencias en sistemas de fabricación predictiva en entorno de big data. Fabricación Letón. 1(1), 38–41 (2013).

Artículo Google Académico

Milanoski, D., Galanopoulos, G., Zarouchas, D., Loutas, T. Diagnóstico de daños de varios niveles en paneles compuestos rígidos basado en un gemelo digital no informativo de daños. Estructura. Monitoreo de Salud (2022) 14759217221108676.

Milanoski, DP, Galanopoulos, GK y Loutas, TH Gemelos digitales de aeroestructuras compuestas para el control de la salud estructural. En 2021 IEEE 8th International Workshop on Metrology for AeroSpace (MetroAeroSpace) (2021) 613–618.

Sisson, W., Karve, P. y Mahadevan, S. Enfoque de gemelo digital para la optimización de parámetros de vuelo de helicópteros informados sobre el estado de los componentes. AIAA J. 60(3), 1923–1936 (2022).

Artículo ADS CAS Google Académico

Russell, SJ Inteligencia artificial: un enfoque moderno (Pearson Education, Inc, 2010).

Matemáticas Google Académico

Winston, PH Inteligencia Artificial (Addison-Wesley, 1992).

Matemáticas Google Académico

Girasa, R. AI as a Disruptive Technology, Artificial Intelligence as a Disruptive Technology: Economic Transformation and Government Regulation 3–21 (Springer, 2020).

Google Académico

Chaudhary, V., Kaushik, AK, Furukawa, H., Khosla, A. Hacia sensores inteligentes sostenibles impulsados ​​por la IA y la IO de quinta generación basados ​​en mxenes 2D y borofeno. Sensores ECS Plus (2022).

Kaspar, C., Ravoo, BJ, van der Wiel, WG, Wegner, SV y Pernice, WHP El surgimiento de la materia inteligente. Naturaleza 594 (7863), 345–355 (2021).

Artículo ADS CAS PubMed Google Scholar

Mennel, L. et al. Visión artificial ultrarrápida con sensores de imagen de red neuronal material 2D. Naturaleza 579 (7797), 62–66 (2020).

Artículo ADS CAS PubMed Google Scholar

Gao, W., Yu, C. & Chen, R. Aceleradores de inteligencia artificial basados ​​en dispositivos optoelectrónicos de grafeno. Adv. Fotón. Res. 2(6), 2100048 (2021).

Artículo Google Académico

Lemme, MC, Akinwande, D., Huyghebaert, C. y Stampfer, C. Materiales 2D para la electrónica heterogénea del futuro. Nat. común 13(1), 1392 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Konstantatos, G. Estado actual y perspectiva tecnológica de los fotodetectores basados ​​en materiales bidimensionales. Nat. común 9(1), 5266 (2018).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Kim, I. et al. Simulador de aceleración y diseño inverso de transistores de efecto de campo de aleta usando aprendizaje automático. ciencia Rep. 12(1), 1140 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Wachter, S., Polyushkin, DK, Bethge, O. & Mueller, T. Un microprocesador basado en un semiconductor bidimensional. Nat. común 8(1), 14948 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Tritsaris, GA, Carr, S. & Schleder, GR Diseño computacional de ensamblajes muaré asistidos por inteligencia artificial. aplicación física Rev. 8(3), 031401 (2021).

Artículo ADS CAS Google Académico

Sorkun, MC, Astruc, S., Koelman, JMVA & Er, S. Una receta de detección virtual asistida por inteligencia artificial para el descubrimiento de materiales bidimensionales. Cómputo NPJ. Mate. 6(1), 106 (2020).

Artículo ANUNCIOS Google Académico

Huang, M., Li, Z., Zhu, H. Avances recientes del grafeno y materiales relacionados en inteligencia artificial. Adv. Intel. sist. n/d(n/d) (2022).

Qiu, C., Han, Y., Shanmugam, L., Zhao, Y., Dong, S., Du, S., Yang, J. Una estrategia de diseño compuesto basada en el aprendizaje profundo para la selección eficiente de material y secuencias de disposición de una base de datos dada. compos. ciencia Tecnología (2021) 109154.

Kikuchi, M., Ogasawara, T., Fujii, S. y Takeda, S.-I. Aplicación de aprendizaje automático para mejorar la precisión de las mediciones simultáneas de temperatura y deformación de laminados de plástico reforzado con fibra de carbono utilizando un sensor de rejilla de Bragg de fibra inclinada integrado. compos. Una aplicación ciencia Fabricación 161, 107108 (2022).

Artículo CAS Google Académico

Salehi, H. & Burgueño, R. Métodos emergentes de inteligencia artificial en ingeniería estructural. Ing. Estructura. 171, 170–189 (2018).

Artículo Google Académico

Balaji, R. & Sasikumar, M. Sistema de predicción de daños y deformaciones basado en grafeno para compuestos poliméricos. compos. Una aplicación ciencia Fabricación 103, 48–59 (2017).

Artículo CAS Google Académico

Reghat, M. et al. El grafeno como recubrimiento piezorresistivo para permitir el control de la deformación en compuestos de fibra de vidrio. compos. ciencia Tecnología 211, 108842 (2021).

Artículo CAS Google Académico

Alexopoulos, ND, Bartholome, C., Poulin, P. y Marioli-Riga, Z. Supervisión de la salud estructural de compuestos reforzados con fibra de vidrio utilizando fibras de nanotubos de carbono (CNT) incrustadas. compos. ciencia Tecnología 70(2), 260–271 (2010).

Artículo CAS Google Académico

Kalantari, M., Dargahi, J., Kövecses, J., Mardasi, MG y Nouri, S. Un nuevo enfoque para modelar sensores de fuerza piezorresistivos basados ​​en compuestos de polímeros semiconductores. Trans. IEEE/ASME. Mecatrón. 17(3), 572–581 (2012).

Artículo Google Académico

Hajizadegan, M., Sakhdari, M., Abbasi, S. & Chen, PY Sensores armónicos multifuncionales basados ​​en grafeno asistidos por aprendizaje automático. IEEE Sens. J. 21(6), 8333–8340 (2021).

Artículo ADS CAS Google Académico

Shahbazi, Z. y Byun, Y.-C. Análisis en tiempo real de fabricación inteligente basado en Blockchain y enfoques de aprendizaje automático. aplicación ciencia 11(8), 3535 (2021).

Artículo CAS Google Académico

Fernández-León, J. et al. Una estrategia de aprendizaje automático para la detección de seguimiento de carreras durante la fabricación de compuestos mediante moldeo líquido. Integrar Mate. Fabricación innovador 11(2), 296–311 (2022).

Artículo Google Académico

González, C. & Fernández-León, J. Un modelo de aprendizaje automático para detectar alteraciones de flujo durante la fabricación de materiales compuestos por moldeo líquido. J. Compos. ciencia 4(2), 71 (2020).

Artículo Google Académico

Mendikute, J. et al. Diagnóstico de calidad de impregnación en moldeo por transferencia de resina mediante aprendizaje automático. compos. Ing. B. 221, 108973 (2021).

Artículo CAS Google Académico

Li, D., Hua, S., Li, Z., Gong, X. y Wang, J. Sistema automático de inspección en línea basado en visión para filamentos rotos de fibra de carbono con aprendizaje de características multiescala. Trans. IEEE. instrumento medida 71, 1–12 (2022).

Artículo Google Académico

Sacco, C., Baz Radwan, A., Anderson, A., Harik, R., Gregory, E. Aprendizaje automático en la fabricación de compuestos: un estudio de caso de inspección automatizada de colocación de fibras. compos. Estructura. 250 (2020).

Tang, Y., Wang, Q., Cheng, L., Li, J. & Ke, Y. Un método de inspección en proceso que integra el aprendizaje profundo y el algoritmo clásico para la colocación automatizada de fibras. compos. Estructura. 300, 116051 (2022).

Artículo Google Académico

Meister, S., Wermes, M. Evaluación del rendimiento de los algoritmos de análisis línea por línea basados ​​en CNN y R-CNN para la clasificación de defectos de colocación de fibra. Pinchar. Ing. (2022).

Meister, S., Wermes, M., Stüve, J. & Groves, RM Investigaciones sobre métodos explicables de inteligencia artificial para la clasificación de aprendizaje profundo de defectos de disposición de fibras en la fabricación automatizada de compuestos. compos. Ing. B. 224, 109160 (2021).

Artículo Google Académico

Meister, S., Wermes, M., Stüve, J. & Groves, RM Evaluación cruzada de un clasificador SVM-CNN de operación paralela para procesos de toma de decisiones internos confiables en la inspección de compuestos. J. Manuf. sist. 60, 620–639 (2021).

Artículo Google Académico

Li, X. et al. Detección de defectos basada en aprendizaje profundo de ciertas palas y paletas de motores aeronáuticos con DDSC-YOLOv5s. ciencia Rep. 12(1), 13067 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Rovinelli, A., Sangid, MD, Proudhon, H. y Ludwig, W. Uso del aprendizaje automático y un enfoque basado en datos para identificar la pequeña fuerza impulsora de grietas por fatiga en materiales policristalinos. Cómputo NPJ. Mate. 4(1), 35 (2018).

Artículo ANUNCIOS Google Académico

Marani, R., Palumbo, D., Galietti, U., Stella, E., Orazio, TD Detección automática de defectos del subsuelo en materiales compuestos mediante termografía y aprendizaje automático no supervisado. En 2016 IEEE 8th International Conference on Intelligent Systems (IS), 516–521 (2016).

Gong, Y., Shao, H., Luo, J. & Li, Z. Un modelo de aprendizaje de transferencia profunda para la detección de defectos de inclusión de materiales compuestos aeronáuticos. compos. Estructura. 252, 112681 (2020).

Artículo Google Académico

Lee, H., Lim, HJ, Skinner, T., Chattopadhyay, A. y Hall, A. Técnica automatizada de detección y clasificación de daños por fatiga para estructuras compuestas mediante ondas Lamb y codificador automático profundo. mecánico sist. Proceso de señal. 163, 108148 (2022).

Artículo Google Académico

Dabetwar, S., Ekwaro-Osire, S., Dias, JP Detección de daños en materiales compuestos mediante fusión de datos con redes neuronales profundas. ASME Turbo Expo 2020: Conferencia y exposición técnica de turbomaquinaria (2020)

Bandara, S., Herath, M., Epaarachchi, J. Métodos sensoriales e identificación de daños basada en el aprendizaje automático de estructuras compuestas reforzadas con fibra: una revisión introductoria. J. Plástico Reforzado. compos. (2022).

Guo, P., Meng, X., Meng, W. & Bao, Y. Monitoreo y caracterización automática de grietas en compuestos cementosos endurecidos por deformación (SHCC) a través de la interpretación inteligente de fotos. compos. Ing. B. 242, 110096 (2022).

Artículo CAS Google Académico

Yoon, J., Lee, J., Kim, G., Ryu, S. & Park, J. Técnica de monitoreo de salud estructural basada en redes neuronales profundas para la detección y localización de grietas en tiempo real utilizando sensores de galgas extensométricas. ciencia Rep. 12(1), 20204 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Liu, H., Liu, S., Liu, Z., Mrad, N. y Milani, AS Enfoques basados ​​en datos para la caracterización del daño por delaminación en materiales compuestos. Trans. IEEE. industria Electrón. 68(3), 2532–2542 (2021).

Artículo Google Académico

Yu, H., Seno, AH, Sharif Khodaei, Z. & Aliabadi, MHF Método de clasificación de impacto de monitoreo de salud estructural basado en la red neuronal bayesiana. Polímeros 14(19), 3947 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Cassola, S., Duhovic, M., Schmidt, T. & May, D. Aprendizaje automático para la simulación de procesos de compuestos poliméricos: una revisión. compos. Ing. B. 246, 110208 (2022).

Artículo CAS Google Académico

Sharma, A., Mukhopadhyay, T., Rangappa, SM, Siengchin, S. y Kushvaha, V. Avances en inteligencia computacional de materiales compuestos poliméricos: modelado asistido por aprendizaje automático. Análisis y diseño, Archives of Computational Methods in Engineering 29(5), 3341–3385 (2022).

Google Académico

Tifkitsis, KI & Skordos, AA Estimación de la incertidumbre en tiempo real en la etapa de llenado del proceso de moldeo por transferencia de resina. polim. compos. 41(12), 5387–5402 (2020).

Artículo CAS Google Académico

Leukel, J., González, J. & Riekert, M. Adopción de tecnología de aprendizaje automático para la predicción de fallas en mantenimiento industrial: una revisión sistemática. J. Manuf. sist. 61, 87–96 (2021).

Artículo Google Académico

Elenchezhian, MRP, Vadlamudi, V., Raihan, R., Reifsnider, K. & Reifsnider, E. Inteligencia artificial en diagnósticos y pronósticos en tiempo real de materiales compuestos y sus incertidumbres: una revisión. Mate inteligente. Estructura. 30(8), 083001 (2021).

Artículo ANUNCIOS Google Académico

Nelon, C., Myers, O. y Hall, A. La intersección de la evaluación de daños de materiales compuestos reforzados con fibra con el aprendizaje automático: una revisión. J. Compos. Mate. 56(9), 1417–1452 (2022).

Artículo ANUNCIOS Google Académico

Zhu, J., Droste, D., Dimassi, A. & Herrmann, AS Un método asistido por redes neuronales para la estimación del frente de flujo en el moldeo por transferencia de resina utilizando sensores de presión. J. Compos. Mate. 56(19), 2979–2993 (2022).

Artículo ADS CAS Google Académico

Zhang, J. & Pantelelis, NG Modelado y control de optimización de procesos de moldeo de compuestos poliméricos utilizando modelos de redes neuronales agregadas de arranque. Conferencia internacional sobre ingeniería de control e información eléctrica 2011, 2363–2366 (2011).

Google Académico

Golovatov, DA, Tatarkanov, AA, Shavaev, AA, Gusev, SA El uso de la tecnología de la información moderna para predecir el proceso de impregnación de preformas compuestas con resinas poliméricas. En la Conferencia internacional de 2019 "Gestión de la calidad, transporte y seguridad de la información, tecnologías de la información" (IT&QM&IS), (2019) 486–489.

Stieber, S., Schröter, N., Schiendorfer, A., Hoffmann, A., Reif, W., FlowFrontNet: mejora de la fabricación de compuestos de carbono con CNN. En Conferencia Europea, ECML PKDD (Springer, Ghent, 2020) 411–426.

Stieber, S., Schröter, N., Fauster, E., Schiendorfer, A. y Reif, W. PermeabilityNets: comparación de arquitecturas de redes neuronales en una tarea de secuencia a instancia en la fabricación de CFRP. En: 2021 20th IEEE International Conference on Machine Learning and Applications (ICMLA), (2021) 694–697.

Das, PP, Elenchezhian, M., Vadlamudi, V. y Raihan, R., Fuerza residual asistida por inteligencia artificial y predicción de la vida útil de compuestos de polímero reforzado con fibra. Foro AIAA SCITECH 2023 (2023).

Hassan, H. & Tallman, TN Predicción de fallas en nanocompuestos autosensibles a través de inversión piezorresistiva habilitada por algoritmo genético. Estructura. Monitoreo de Salud 19(3), 765–780 (2020).

Artículo Google Académico

Fernández-Caramés, TM & Fraga-Lamas, P. Una revisión sobre la aplicación de blockchain a la próxima generación de fábricas inteligentes ciberseguras de la industria 4.0. Acceso IEEE 7, 45201–45218 (2019).

Artículo Google Académico

Mandolla, C., Petruzzelli, AM, Percoco, G. & Urbinati, A. Construyendo un gemelo digital para la fabricación aditiva mediante la explotación de blockchain: un análisis de caso de la industria aeronáutica. computar Ind. 109, 134–152 (2019).

Artículo Google Académico

Teng, Y., Li, L., Song, L., Yu, FR & Leung, VCM Beneficio maximizando la fabricación inteligente sobre cadenas de bloques configurables habilitadas para IA. IEEE Internet Things J. 9(1), 346–358 (2022).

Artículo Google Académico

Hasan, H., AlHadhrami, E., AlDhaheri, A., Salah, K. y Jayaraman, R. Enfoque inteligente basado en contratos para una gestión eficiente de los envíos. computar Ing. Ind. 136, 149–159 (2019).

Artículo Google Académico

Javaid, M., Haleem, A., Pratap Singh, R., Khan, S. & Suman, R. Aplicaciones de la tecnología Blockchain para la Industria 4.0: Una revisión basada en la literatura. Resolución de cadena de bloques. aplicación 2(4), 100027 (2021).

Artículo Google Académico

Mondragon, AEC, Mondragon, CEC & Coronado, ES Explorando la aplicabilidad de la tecnología blockchain para mejorar las cadenas de suministro de fabricación en la industria de materiales compuestos. Conferencia internacional IEEE sobre invención de sistemas aplicados (ICASI) 2018, 1300–1303 (2018).

Artículo Google Académico

Mondragon, AEC, & Mondragon, CEC Mejorando la cadena de suministro con materiales compuestos: Un análisis apoyado por herramientas informáticas en la fabricación de autocares/autobuses. En 2017 4.ª Conferencia Internacional sobre Ingeniería y Aplicaciones Industriales (ICIEA), 121–125 (2017).

Wang, J., Wu, P., Wang, X. & Shou, W. La perspectiva de la tecnología blockchain para la gestión de la ingeniería de la construcción. Frente. Ing. Administrar 4(1), 67–75 (2017).

Artículo Google Académico

Ahmad, RW et al. El papel de la tecnología blockchain en la industria de la aviación. IEEE Aerosp. Electrón. sist. revista 36(3), 4–15 (2021).

Artículo Google Académico

Hasan, HR et al. Un enfoque basado en blockchain para la creación de gemelos digitales. Acceso IEEE 8, 34113–34126 (2020).

Artículo Google Académico

Baalamurugan , KM , Bacanin , PPN , Venkatachalam , K. , Askar , SS & Abouhawwash , M. Marco armónico K habilitado para blockchain para sistemas industriales basados ​​en IoT . ciencia Reps. 13(1), 1004 (2023).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Rovira-Sugranes, A. & Razi, A. Optimizando la era de la información para la tecnología blockchain con aplicaciones a sensores IoT. Común IEEE. Letón. 24(1), 183–187 (2020).

Artículo Google Académico

Descargar referencias

Este trabajo está financiado por la subvención interna CIRA-2020-007, número de subvención 8474000275 de la Universidad de Ciencia y Tecnología de Khalifa.

Muhammad A. Ali, Muhammad S. Irfan, Tayyab Khan y Muhammad Y. Khalid

Dirección actual: Departamento de Ingeniería Aeroespacial, Universidad Khalifa de Ciencia y Tecnología (KUST), Abu Dhabi, Emiratos Árabes Unidos

Departamento de Ingeniería Aeroespacial, Universidad Khalifa de Ciencia y Tecnología (KUST), Abu Dhabi, Emiratos Árabes Unidos

Muhammad A. Ali, Muhammad S. Irfan, Tayyab Khan, Muhammad Y. Khalid y Rehan Umer

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

MAA: Conceptualización, Curación de datos, Metodología, Análisis formal, Redacción-Borrador original. MSI: Metodología, Curación de datos, Análisis formal, Redacción-Borrador original. TK: Dibujo, Redacción-Revisión y Edición de Figuras, MYK: Dibujo, Redacción-Revisión y Edición de FigurasR.U.: Conceptualización, Supervisión, Metodología, Investigación, Obtención de Financiamiento, Recursos, Redacción-Revisión y Edición.

Correspondencia a Rehan Umer.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ali, MA, Irfan, MS, Khan, T. et al. Nanopartículas de grafeno como materiales digitales generadores de datos en la industria 4.0. Informe científico 13, 4945 (2023). https://doi.org/10.1038/s41598-023-31672-y

Descargar cita

Recibido: 10 diciembre 2022

Aceptado: 15 de marzo de 2023

Publicado: 27 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-31672-y

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.