Blog

Jan 14, 2024

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

Scientific Reports volumen 13, Número de artículo: 4945 (2023) Cite este artículo 3605 Accesos 2 Citas 6 Detalles de Altmetric Metrics Una de las aplicaciones potenciales de los materiales 2D es mejorar

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

3605 Accesos

2 citas

6 altmétrico

Detalles de métricas

Una de las aplicaciones potenciales de los materiales 2D es mejorar la multifuncionalidad de estructuras y 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: materiales avanzados, inteligencia artificial y tecnología de cadena de bloques. La utilidad de 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 empleo de sensores integrados inteligentes basados ​​en grafeno en diversas etapas de los procesos de fabricación de compuestos y su aplicación en el monitoreo de la salud estructural en tiempo real. Se analizan los desafíos técnicos asociados con la interconexión 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 blockchain con dispositivos y estructuras basados ​​en grafeno.

Una revolución industrial es un período de tiempo en el que se producen cambios significativos en la forma en que se producen los bienes hasta el punto de transformar fundamentalmente la sociedad, y se caracteriza por la introducción de tecnologías disruptivas y nuevos métodos de producción1,2,3. Esto normalmente conduce a una mayor eficiencia, reducción de costos, mayor producción y un impacto económico y social generalizado3. La primera revolución industrial (Industria 1.0) se caracterizó por la introducción de métodos de producción mecánicos utilizando agua y vapor3,4. La Industria 2.0 supuso la introducción de la producción en masa utilizando electricidad y la línea de montaje5,6. La Industria 3.0 introdujo el uso de tecnologías de la información, computadoras y automatización en la producción, lo que condujo a una mayor eficiencia y personalización6. La Industria 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 mayores 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 diseño y fabricación 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 computacionales equipados con capacidades de almacenamiento e intercambio 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 imágenes. Sin embargo, estos métodos son ineficaces e implican la incrustación de objetos extraños dentro del material o estructura. Reemplazar estos dispositivos por el propio material revolucionará el paradigma de la fabricación digital. Un material de este tipo 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 necesaria y hacer que el material se comunique directamente con el mundo digital17,18. El grafeno y los materiales 2D relacionados han sido objeto de intensa investigación y desarrollo durante más de una década; sin embargo, los productos que utilizan estos materiales aún no han conquistado 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 materializarse después de más de una década20. Actualmente, los dispositivos generadores de datos (como sensores) basados ​​en materiales 2D se encuentran en su mayoría en sus Niveles de Preparación Tecnológica (TRL) iniciales. Se requiere más investigación para aumentar los niveles de preparación tecnológica y fabricar prototipos de sistemas más sofisticados 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 con estos dispositivos herramientas asociadas, como la inteligencia artificial y la tecnología blockchain. Una de las posibles aplicaciones 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 innumerables formas, como nanoescamas, nanoplaquetas, nanoláminas, puntos cuánticos, óxido de grafeno, óxido de grafito, óxido de grafeno reducido, etc.25, y las diferentes formas proporcionan diferentes funcionalidades22,26,27. La forma del grafeno para una aplicación particular puede no ser útil para otras aplicaciones. Por ejemplo, el grafeno utilizado para el blindaje EMI no se puede utilizar como biosensor ni como transistor. De manera similar, el grafeno utilizado para almacenar energía es diferente del utilizado para detectar deformaciones mecánicas. La forma de grafeno analizada 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 piezoresistivos, sistemas electromecánicos y dispositivos de almacenamiento de energía28. La detección basada en óxido de grafeno reducido ha ganado terreno en el campo de los compuestos poliméricos muy recientemente29. Las escamas de grafeno y el rGO se pueden incrustar dentro de 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 implica que los nanomateriales formen una red eléctricamente conductora y un túnel eléctrico entre partículas que se altera por estímulos externos, lo que da como resultado cambios en la resistencia eléctrica de la red filtrada de grafeno.

El papel potencial de los sensores rGO como interfaz entre los mundos físico y cibernético en la fabricación digital de compuestos poliméricos reforzados con fibra se ilustra gráficamente en la Fig. 1. También se podrían utilizar 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, para operaciones inteligentes también se requiere una unidad de procesamiento de señales con capacidades de diagnóstico y un sistema de gestión de datos30. La tecnología blockchain 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 necesarias. 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. Se pueden incorporar sensores basados ​​en óxido de grafeno reducido junto con sensores tradicionales 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 en el marco de la Industria 4.0.

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

Para fabricar sensores de deformación basados ​​en rGO para compuestos, se utiliza grafeno como precursor, generalmente sintetizado mediante un método de arriba hacia abajo o mediante un enfoque 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 de precursores 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 una fuente de gas de carbono para sintetizar grafeno sobre un sustrato son ejemplos de técnica ascendente31. 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 dispersando 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 tales como alteración de la viscosidad de la resina, aglomeración de partículas, gelificación prematura, efecto de filtrado dentro del tejido mientras se infunde la resina y distribución desigual del relleno por 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 del molde puede resultar muy complicado.

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; dotando así 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 en solución y rociado42, y (iv) apresto que contiene rGO aplicado directamente a las fibras durante el proceso de fibra. proceso de fabricación43. Cuando se deposita sobre los refuerzos, la pieza/estructura compuesta se vuelve eléctricamente conductora debido a la formación de una red de nanopartículas rGO de mesoescala30. Cuando se somete a estímulos externos, como presión de fluido o fuerzas mecánicas, la ruta conductora se interrumpe y se altera la resistencia/conductividad eléctrica general de la pieza/estructura. 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 de túnel. El requisito clave para estos sensores es la capacidad de detectar cualquier pequeño cambio en la resistencia general (ΔR). La señal normalmente se manipula como un cambio relativo o fraccionario en la resistencia (FCR) en lugar de medidas absolutas. El valor medido se toma con respecto a un valor de referencia (R0) y se normaliza por el mismo (R0), dado como;

donde R es el valor medido y R0 es un valor de referencia. El rGO recubierto puede hacer que el material de la tela "responda digitalmente" generando señales que pueden medirse utilizando 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 mediante sensores y actuadores externos que no formaban parte del sistema. el propio material44. Para el monitoreo de procesos, 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 del recubrimiento, etc.45. Existe 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 la 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 y respiraderos de inyección 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 diversos fenómenos/actividades físicas dependiendo del entorno al que está expuesto el material inteligente. En un proceso típico de fabricación de compuestos, como el proceso de moldeo de compuestos líquidos (LCM), hay tres etapas principales, es decir, compactación del refuerzo seco, inyección de resina y 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 publicada, se han empleado sensores de tejido integrados rGO para monitorear los procesos LCM44,45, que son algunos de los procesos de fabricación de compuestos fuera de autoclave comúnmente utilizados. Los sensores basados ​​en tela recubierta con rGO se utilizan ahora en una variedad de formas geométricas (sensores puntuales, 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 proporcionan 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 mediante 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 las características importantes durante la infusión de resina seguida de la cinética de curado de la resina. La distribución del estrés dentro de una estructura es crucial para controlar su salud y adoptar medidas de pronóstico. Todos los aspectos se controlan mediante tejidos recubiertos in situ.

El primer paso en la fabricación de compuestos mediante moldeo de compuestos líquidos (LCM) es el paso de preformado, en el que los refuerzos secos se someten a compactación transversal, para 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 donde los platos rígidos del molde aplican altas fuerzas de compactación sobre los refuerzos usando una prensa, mientras que, en el RTM asistido por vacío (VARTM), la fuerza de vacío se aplica para comprimir la bolsa de vacío contra la refuerzo colocado sobre un molde de una sola cara. Durante la fase de compactación, una 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 son capaces de detectar fuerzas de compactación de refuerzos secos e impregnados de resina en forma de cambio de resistencia. Durante esta etapa, se requieren las fuerzas de sujeción del molde y los datos de relajación de tensiones, que generalmente se determinan de forma proactiva mediante experimentos de caracterización49. Esta información ahora se obtiene in situ mediante sensores basados ​​en materiales 2D50. Recientemente, Ali et al.50 han demostrado que incluso un fenómeno muy complejo dependiente del tiempo, como la relajación de la tensión de los refuerzos en un molde cerrado, también puede monitorearse utilizando sensores integrados basados ​​en rGO y MXenes.

Durante la inyección de resina, la distribución de presión dentro del molde cambia rápidamente. Este fenómeno generalmente se monitorea 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 recubiertos dependen de la conductividad de la resina y 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 de presión dentro del molde también es un indicador de la impregnación de resina capturada mediante el cambio en la resistencia de los sensores integrados. Además, el seguimiento de carreras 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 medición de resistencia similar.

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

Las estructuras compuestas frecuentemente están 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 impactos de alta velocidad hasta impactos de baja velocidad que producen grandes deflexiones58,59. Cualquier sistema de monitoreo de la salud estructural consta de elementos sensores, 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 a base de 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 su mayor relación de aspecto y rentabilidad60. Las estructuras compuestas integradas en rGO se pueden utilizar para detectar tensiones y daños durante su vida útil. El mecanismo de detección piezorresistiva en los FRPC depende de si el rGO está recubierto de telas o mezclado con la resina. Cuando rGO está presente en la matriz, se puede detectar un aumento irreversible de la resistencia eléctrica61 debido al inicio 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 se pueden utilizar para disposiciones preventivas de estructuras compuestas antes de que ocurra cualquier falla catastrófica62.

Se ha informado de una gran cantidad de trabajos sobre Monitoreo de la salud estructural (SHM), donde se probaron compuestos en diferentes modos, incluidos tracción, compresión, flexión, impacto, fluencia y relajación de tensiones63. Una revisión exhaustiva de la literatura sobre el tema muestra que varios estudios han informado sobre la implicación exitosa de sensores de tela recubiertos con rGO para monitorear la respuesta a la flexión de estructuras compuestas. Es bastante interesante observar que, además de la capacidad precisa de detección de deformación bajo cargas 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 cargas de flexión41,64. Varios investigadores han llevado estos sensores recubiertos con rGO un paso más allá para investigar su viabilidad para detectar cargas repetitivas a largo plazo en estructuras compuestas. Se ha informado una repetibilidad notable en la respuesta piezorresistiva tanto en cargas cíclicas 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 lograr una SHM in situ exitosa. De hecho, estos sensores inteligentes fueron una vez más 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 tipo sándwich de panal para SHM in situ. Las estructuras sándwich aeroespaciales inteligentes no sólo eran sensibles a la longitud del tramo y al espesor del núcleo68, sino que también exhibían respuestas distintivas a múltiples tasas de carga en vigas de cualquier ancho arbitrario de interés69. Teniendo en cuenta que los compuestos tipo sándwich basados ​​en núcleos de panal 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 activos recubiertos con rGO en la industria aeroespacial.

Hasta ahora se han logrado avances significativos en términos de detectar la respuesta mecánica convencional en estructuras compuestas. Sin embargo, es de vital importancia señalar que la naturaleza viscoelástica heredada de la resina polimérica y los refuerzos de fibra hace que su respuesta mecánica dependa del tiempo, por lo tanto, la respuesta piezoresistiva 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 de fluencia a largo plazo utilizando sensores inteligentes basados ​​​​en rGO. A pesar de la importancia de dicha 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 utilizando 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 mostraron 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 detección automática 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, una serie de 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 sensores piezoeléctricos (PZT) y sensores de rejilla de fibra de Bragg (FBG) y (v) hacer que estos sensores sean lo suficientemente inteligentes como para transmitir señales directamente a 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 la Industria 4.0 y cómo estas tecnologías pueden utilizar 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 autooptimizar el rendimiento y mejorar la eficiencia, la flexibilidad y el control de calidad al autoadaptarse a nuevas condiciones mediante el 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 cadenas 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 el “metaverso”75,76.

Los datos recopilados por 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 desde el 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, dependientes del tiempo). datos, etcétera). La función del espacio digital o “metaverso” es recopilar estos datos de forma segura, interpretarlos y generar comandos procesables. Estos comandos procesables podrían ser un árbol de decisiones que pueda habilitar/deshabilitar líneas de alimentación de resina en función de la información recopilada del molde mediante sensores basados ​​en rGO.

El concepto de “metaverso” es muy amplio y sus componentes clave son la realidad virtual/aumentada utilizando gemelos digitales, inteligencia artificial, cadena de bloques, IoT, etc. El gemelo digital (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 la 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 material, las horas de mano de obra y la reducción general de costes. 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 estas simulaciones no se pueden realizar en tiempo real, los modelos de aprendizaje automático basados ​​en datos sintéticos pueden resultar útiles91. Las capacidades del gemelo digital a veces se mejoran con 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 VR para diseñar el proceso automatizado de una configuración de fabricación de múltiples robots, así como su implementación mejorada y monitoreo en operación.

Los gemelos digitales se implementan en niveles diferentes pero interrelacionados13. En el contexto de las estructuras compuestas, estos niveles incluyen las fases de diseño, fabricación/montaje y puesta en servicio/operación80. A nivel de diseño, también se le conoce como “gemelo digital del material” (DMT), que se refiere a los modelos computacionales realistas del material compuesto que se pueden utilizar para la verificación del diseño y la predicción de 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 resina dentro de las fibras de refuerzo96,97,98. Estos parámetros son bien capturados por los tejidos recubiertos con rGO (como se describe en secciones anteriores) y esta información se puede almacenar y utilizar para crear DMT "cercanos a la realidad". Además, los sensores de tejido recubiertos con rGO también se pueden utilizar para la validación experimental de simulaciones de DT.

Se pueden generar gemelos de materiales digitales para la fabricación virtual a partir de diferentes técnicas de escaneo 3D, como la tomografía computarizada de rayos X (XCT)99,100,101,102,103. Durante la producción, la DT se implementa a nivel del taller para lograr 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 huecos106. Zambal et al.107 generaron DT para la detección de defectos durante el laminado de fibra de carbono utilizando datos recopilados de varios sensores junto con modelos analíticos y simulaciones de elementos finitos. Finalmente, en la fase operativa, la DT se utiliza para actividades de pronóstico y diagnóstico108. Milanoski et al.109,110 desarrollaron un DT basado en FEM para el monitoreo del estado estructural de paneles compuestos rígidos estimando la carga que actúa sobre la estructura utilizando datos de deformación adquiridos de sensores de rejilla de fibra de Bragg (FBG). Sisson et al.111 aplicaron un enfoque de gemelo digital para optimizar los parámetros de vuelo de los helicópteros minimizando el estrés en los componentes mecánicos críticos y mediante diagnóstico, pronóstico y optimización probabilísticos. Utilizando los datos recopilados de los sensores de deformación, no sólo es posible detectar la presencia del daño sino también la evolución del daño, por lo que también se puede predecir la vida útil restante de la pieza109. El conocimiento sobre la salud de las estructuras y 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 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. Inherentemente, los sistemas de IA consisten en modelos matemáticos basados ​​en datos para inferir y resolver problemas de forma autónoma114. La IA abarca subcampos de aprendizaje automático y profundo, visión por computadora, procesamiento del lenguaje natural y computación cognitiva, cada uno de los cuales se centra 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 facilitar la construcción de dispositivos para IA, como memristores, fotodetectores, etc.118,119,120,121,122. Por otro lado, las herramientas de inteligencia artificial como el aprendizaje automático y profundo no solo pueden acelerar el descubrimiento, diseño y 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 analizando el grafeno como sensor potencial, restringiremos nuestras discusiones a las herramientas de inteligencia artificial para el procesamiento de señales.

El papel de las técnicas de inteligencia artificial en la fabricación digital que utilizan 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 cantidades físicas como presión, temperatura, etc., que pueden capturarse fácilmente mediante sensores rGO. El procesamiento en tiempo real de señales con muy bajo poder computacional hace que estas herramientas sean muy atractivas127,128. Las señales medidas por sensores basados ​​en rGO normalmente tomarían la forma de mediciones de resistencia/voltaje/corriente. Estas señales deben convertirse en parámetros físicos como presión, tensión, deformación, temperatura, etc. mediante diferentes modelos de calibración y correlación61,129,130,131,132. Estos 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 recubierto de 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 (RNA).

Además de los modelos de calibración, las herramientas de IA pueden emplearse fácilmente para tareas de detección, inspección y seguimiento134. Estas tareas pueden incluir la detección de trayectorias de resina en moldes135, alteraciones del flujo136 y formación de zonas sin rellenar137 durante la etapa de llenado de un proceso LCM, así como la inspección de filamentos rotos durante la producción de fibras138. Varios investigadores también han presentado nuevos métodos basados ​​en IA para la inspección del proceso de colocación automatizada de fibras (AFP)139,140,141,142,143. Como parte del monitoreo del estado de las estructuras, se han utilizado modelos automáticos/de aprendizaje profundo para la detección de defectos/daños144,145,146,147,148,149,150, la caracterización de grietas/delaminaciones151,152,153 y la clasificación de los niveles de impacto154. Yu et al.154 demostraron que las redes neuronales artificiales tradicionales y bayesianas probabilísticas pueden clasificar con éxito los niveles de energía de diferentes eventos de impacto basándose en las señales obtenidas de una red de sensores piezoeléctricos. Las herramientas de aprendizaje profundo son particularmente capaces de realizar tales tareas cuando la señal tiene la forma de campos y mapas 2D/3D56,57. En tales casos, estos modelos no sólo son capaces de detectar estos defectos, sino también localizarlos152.

Finalmente, los modelos sustitutos/predictivos basados ​​en máquina/aprendizaje profundo 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. presentaron 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 (durabilidad) y la resistencia residual (tolerancia al daño) de compuestos de polímeros reforzados 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 autodetectados 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 antiguos, por lo tanto, actualizando verdaderamente 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 piezoresistivos rGO. Sin embargo, los métodos discutidos aquí se pueden adaptar fácilmente para analizar datos obtenidos a través de sensores rGO.

El uso de modelos automáticos y de aprendizaje profundo para diversas tareas en la fabricación de compuestos en la Industria 4.0. La aplicación común de estos 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.

Dado que las herramientas de inteligencia artificial 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 están vinculados entre sí mediante criptografía y almacenados en una red descentralizada de computadoras o nodos en orden cronológico170. La tecnología blockchain emplea un fragmento de código autoejecutable, conocido como contratos inteligentes, para automatizar el proceso de una manera mucho más fiable y confiable171. Actualmente, esta tecnología está siendo explotada ampliamente por los sectores financiero y bancario, la atención sanitaria 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 con temperatura controlada de preimpregnados en un libro mayor distribuido a prueba de manipulaciones173.

Al utilizar rGO como elemento sensor para la fabricación de compuestos poliméricos 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 múltiples escalones 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 blockchain. 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 suelen ser proporcionadas por el proveedor (primer bloque en la Fig. 4). Luego, estas propiedades se validan y se determinan nuevas características mediante experimentos de caracterización y simulaciones virtuales utilizando gemelos digitales (segundo bloque en la Fig. 4). La forma de la pieza a fabricar, que tendrá forma de 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 procesar preimpregnados, el ciclo de curado y la temperatura son los parámetros principales. Los materiales recubiertos con rGO pueden desempeñar un papel vital 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 huecos 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. Sin embargo, la tecnología blockchain es una herramienta de gestión y recopilación de datos segura, a gran escala y confiable para implementar operaciones inteligentes utilizando redes de elementos sensoriales179, incluidos sensores basados ​​en rGO.

Recopilación de datos en diversas etapas de la fabricación de compuestos utilizando tecnología blockchain. Los datos generados en diversas 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 compuestos poliméricos 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 de detección finales 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 limitar la selección de materiales para una aplicación particular. Esto resulta muy importante cuando se trata de composites multifuncionales. Los materiales 2D diseñados, como MXenes, se pueden diseñar para obtener propiedades optimizadas. El modelado atomístico también puede ayudar a crear 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. Se debe decidir si se requiere una síntesis interna o si las opciones disponibles en el mercado 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 se puede incorporar el grafeno a los compuestos, por ejemplo, mezclándolo en el sistema de resina, recubriendo los refuerzos, tejiendo un 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 requerirían diferentes enfoques para incorporar 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 desafío importante en este campo, especialmente cuando se trata de sensores entre laboratorios. Aún 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 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 puentes. Del mismo modo, los sensores basados ​​en nanopartículas de grafeno deberían poder ser inspeccionados 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, hay varios proveedores comerciales 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 usarse como sensores inteligentes en compuestos reforzados con fibra. Pueden proporcionar monitoreo de la salud estructural y de procesos en cada etapa de la fabricación y aplicación de compuestos. Además, estos materiales también pueden mejorar otras propiedades básicas 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 experimentado enormes avances en las 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 blockchain es la información disponible públicamente. Sin embargo, la mayor parte de la información en un entorno de fabricación es de naturaleza confidencial. En este sentido, se pueden utilizar cadenas de bloques de consorcio o federadas cuando la información está restringida únicamente a un público objetivo. Las herramientas de IA se basan en datos y requieren conjuntos de datos cuidadosamente seleccionados para su capacitación. Este tipo de datos es escaso por el momento, pero se espera que aumente 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 generar la verdadera esencia de la Industria 4.0. No hay duda de que existen grandes oportunidades para la aplicación del 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 apuntar a la adaptación a gran escala del grafeno como material digital para aprovechar los beneficios de este maravilloso material.

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

Más, C. Comprender 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 comprender el fenómeno. Tecnología. Soc. 70, 102009 (2022).

Artículo de Google Scholar

Deane, PM La primera revolución industrial (Cambridge University Press, 1979).

Google Académico

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

Artículo de Google Scholar

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 la Industria 1.0 a la Industria 4.0. Madre. Hoy Proc. 33, 3956–3960 (2020).

Artículo de Google Scholar

Baena, F., Guarin, A., Mora, J., Sauza, J. & Retat, S. Learning Factory: El camino hacia la industria 4.0. Fabricación de procedimientos. Rev. 9, 73–80 (2017).

Artículo de Google Scholar

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. Madre. Fabricante. Proceso. 37(5), 483–517 (2022).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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

Google Académico

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

Artículo de Google Scholar

Tao, F., Qi, Q., Wang, L. & 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 de Google Scholar

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

Artículo de Google Scholar

Leng, J. y col. Diseño de sistemas de fabricación inteligente basados ​​en gemelos digitales en la Industria 4.0: una revisión. J. Manuf. Sistema. 60, 119-137 (2021).

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo ADS CAS PubMed PubMed Central Google Scholar

Mensah, B. y col. Nanocompuestos elastoméricos reforzados con grafeno: una revisión. Polimero. Pruebas 68, 160–184 (2018).

Artículo CAS Google Scholar

Ren, S., Rong, P. y 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 Scholar

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

Artículo CAS Google Scholar

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 Scholar

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 Scholar

Zhang, F. y col. Avances recientes sobre el grafeno: Síntesis, propiedades y aplicaciones. Compos. Una aplicación. Ciencia. Fabricante. 160, 107051 (2022).

Artículo CAS Google Scholar

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

Artículo ADS CAS Google Scholar

Weiss, NO y col. Grafeno: un material electrónico emergente. Adv. Madre. 24(43), 5782–5825 (2012).

Artículo CAS PubMed Google Scholar

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

Artículo CAS Google Scholar

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. Madre. (2022) 2205723.

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

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

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

Artículo CAS PubMed PubMed Central Google Scholar

Shi, J. y col. Sistemas microelectrónicos inteligentes integrados en textiles para aplicaciones portátiles. Adv. Madre. 32(5), 1901958 (2020).

Artículo CAS Google Scholar

Zhang, H., Kuwata, M., Bilotti, E. y Peijs, T. Detección de daños integrada 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 y Alexopoulos, ND Monitoreo de daños de compuestos reforzados con fibra de vidrio epoxi/nanotubos de carbono de diferente concentración bajo cargas incrementales cuasiestáticas. Madre. Hoy Proc. 12, 262–270 (2019).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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 Scholar

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 Scholar

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

Artículo CAS PubMed Google Scholar

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

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

Ali, MA y cols. Tejidos piezorresistivos recubiertos de grafeno para el seguimiento del proceso de moldeo de compuestos líquidos. Compos. Ciencia. Tecnología. 148, 106-114 (2017).

Artículo CAS Google Scholar

Khan, T. y col. Monitoreo del proceso de infusión de resina mediante sensores de tejido de vidrio recubierto de grafeno y matrices termoplásticas y termoestables infusibles. Polimero. Compos. 43(5), 2924–2940 (2022).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Sozer, EM, Bickerton, S. & Advani, SG Control estratégico en línea del proceso de llenado de moldes de compuestos líquidos. Compos. Una aplicación. Ciencia. Fabricante. 31(12), 1383-1394 (2000).

Artículo de Google Scholar

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 de Google Scholar

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

Ali, MA y cols. Monitoreo in situ de la respuesta de compactación del refuerzo mediante sensores de tejido de vidrio recubierto de MXene. Compos. Ciencia. Tecnología. 227, 109623 (2022).

Artículo CAS Google Scholar

Dominauskas, A., Heider, D. y Gillespie, JW Sensor eléctrico de reflectometría en el dominio del tiempo para detección de flujo en línea en el procesamiento de moldeo de compuestos líquidos. Compos. Una aplicación. Ciencia. Fabricante. 34(1), 67–74 (2003).

Artículo de Google Scholar

Pandey, G., Deffor, H., Thostenson, ET y Heider, D. Herramientas inteligentes con línea de detección de reflectometría en el dominio del tiempo integrada para el flujo no invasivo y la monitorización del curado durante la fabricación de compuestos. Compos. Una aplicación. Ciencia. Fabricante. 47, 102-108 (2013).

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

Matsuzaki, R., Kobayashi, S., Todoroki, A. y Mizutani, Y. Control del flujo/temperatura de la resina mediante una película de matriz de electrodos interdigitales multifuncional durante un proceso VaRTM. Compos. Una aplicación. Ciencia. Fabricante. 42(7), 782–793 (2011).

Artículo de Google Scholar

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

Artículo CAS Google Scholar

Dai, H. & Thostenson, ET Textiles escalables y multifuncionales basados ​​en nanotubos de carbono como sensores distribuidos para el monitoreo de flujo y curado. Carbono 164, 28–41 (2020).

Artículo CAS Google Scholar

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

Artículo CAS Google Scholar

Dai, H., Thostenson, ET y Schumacher, T. Procesamiento y caracterización de un nuevo sensor de tensión distribuida que utiliza compuestos no tejidos a base de 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 e imágenes de daños espaciales utilizando un sensor compuesto distribuido basado en nanotubos de carbono combinado con tomografía de impedancia eléctrica. J. Nondestr. Evaluación. 35(2), 26 (2016).

Artículo de Google Scholar

Luo, S. y col. Recubrimiento híbrido por pulverización, trazado láser y dispensación de tinta de sensores/matrices de grafeno con piezoresistividad sintonizable para el monitoreo in situ de compuestos. Carbono 139, 437–444 (2018).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Gordan, M. y col. Revisión del estado del arte sobre los avances de la minería de datos en el monitoreo de la salud estructural. Medida 193, 110939 (2022).

Artículo de Google Scholar

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

Artículo ADS CAS Google Scholar

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

Artículo CAS Google Scholar

Irfan, MS y cols. Compuestos aeroespaciales reforzados con fibra multifuncional recubiertos de MXene y grafeno con capacidades de detección y protección contra EMI. Compos. Una aplicación. Ciencia. Fabricante. 165, 107351 (2023).

Artículo CAS Google Scholar

Wang, G. y col. Las propiedades dependientes de la estructura de los nanomateriales de carbono permitieron utilizar sensores de fibra para la monitorización in situ de compuestos. Compos. Estructura. 195, 36–44 (2018).

Artículo de Google Scholar

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

Artículo CAS PubMed Google Scholar

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

Artículo de Google Scholar

Ud Din, I. et al. Caracterización piezoresistiva dependiente de la velocidad de estructuras sándwich aeroespaciales inteligentes integradas con sensores de tejido recubiertos de óxido de grafeno reducido (rGO). Compos. Comunitario. 36, 101382 (2022).

Artículo de Google Scholar

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

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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 inteligentes: estado del arte y tendencias de futuro. En t. J. Adv. Fabricante. Tecnología. 103(9), 3751–3768 (2019).

Artículo de Google Scholar

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

Abikoye, OC y cols. Aplicación del Internet de las cosas y el sistema ciberfísico en la fabricación inteligente de la Industria 4.0. En Aparición del sistema ciberfísico y la IoT en la automatización inteligente y la robótica (eds Singh, KK et al.) 203–217 (Springer International Publishing, 2021).

Capítulo Google Scholar

Xu, LD, He, W. & Li, S. Internet de las cosas en las industrias: una encuesta. Traducción IEEE. Industria. inf. 10(4), 2233–2243 (2014).

Artículo de Google Scholar

Tao, F., Zhang, M. y Nee, AYC Fabricación inteligente impulsada por gemelos digitales (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 53ª Conferencia de Estructuras, Dinámica Estructural y Materiales AIAA/ASME/ASCE/AHS/ASC, Honolulu, Hawaii (2012).

Tuegel, E. El gemelo digital del fuselaje: algunos desafíos para su realización En la 53ª Conferencia AIAA/ASME/ASCE/AHS/ASC sobre 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. Fabricante. Tecnología. 121(9), 5677–5692 (2022).

Artículo de Google Scholar

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

Artículo de Google Scholar

Henning, F. y col. Procesamiento rápido y simulación continua de componentes compuestos estructurales de automóviles. Compos. Ciencia. Tecnología. 171, 261–279 (2019).

Artículo CAS Google Scholar

Shafto, M. y col. Modelado, simulación, tecnología de la información y hoja de ruta de procesamiento. Nat. Aeronauta. Administrador del espacio. 32 (2012), 1–38 (2012).

Google Académico

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

Artículo de Google Scholar

Chai, BX y cols. Optimización basada en simulación para el diseño de configuración de inyección de procesos de moldeo de compuestos líquidos: una revisión. Compos. Una aplicación. Ciencia. Fabricante. 149, 106540 ​​(2021).

Artículo CAS Google Scholar

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 tensión basado en Kirchhoff, Compos. Una aplicación. Ciencia. Fabricante. 137 (2020).

Boschert, S. y Rosen, R. Gemelo digital: el aspecto de la simulación. En Mechatronic Futures (eds Hehenberger, P. & Bradley, D.) (Springer, Berlín, 2016).

Google Académico

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

Artículo de Google Scholar

Dodwell, TJ y cols. Simulaciones Monte Carlo multinivel de estructuras compuestas con defectos de fabricación inciertos. Probablemente. Ing. Mec. 63, 103116 (2021).

Artículo de Google Scholar

Zhou, K., Enos, R., Xu, D., Zhang, D. & Tang, J. Procesos gaussianos jerárquicos de respuesta múltiple para análisis de incertidumbre con simulación de fabricación de compuestos a múltiples escalas. Computadora. Madre. Ciencia. 207, 111257 (2022).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Yin, Y., Zheng, P., Li, C. & Wang, L. Una encuesta de última generación sobre el gemelo digital asistido por realidad aumentada para la transformación industrial futurista centrada en el ser humano. Robot. Comput.-Integr. Fabricante. 81, 102515 (2023).

Artículo de Google Scholar

Li, S. y col. Colaboración proactiva entre humanos y robots: perspectivas cognitivas mutuas, predecibles y autoorganizadas. Robot. Comput.-Integr. Fabricante. 81, 102510 (2023).

Artículo de Google Scholar

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. Computación. Integral Fabricante. 33(1), 22–37 (2020).

Artículo de Google Scholar

Pérez, L., Rodríguez-Jiménez, S., Rodríguez, N., Usamentiaga, R. & García, DF Metodología basada en gemelo digital y realidad virtual para la puesta en marcha de células de fabricación multirobot. Aplica. Ciencia. 10(10), 3633 (2020).

Artículo de Google Scholar

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. Mater ligero. Fabricante. 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 materiales gemelos. Polimero. Compos. 41 (4), 1341-1355 (2020).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

Ali, MA, Umer, R. & Khan, KA CT Scan generó gemelos de materiales para la fabricación de compuestos en la Industria 4.0 (Springer, 2020).

Reservar 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 materiales digitales gemelos de tejidos. Compos. Ciencia. Tecnología. 217, 109091 (2022).

Artículo CAS Google Scholar

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. Fabricante. 139, 106131 (2020).

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo CAS Google Scholar

Yao, B., Xu, W., Shen, T., Ye, X. y Tian, ​​S. Reprogramación de tareas multinivel basada en gemelos digitales para una línea de montaje 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 cuestiones de investigación. Robot. Computadora. Integral Fabricante. 61 (2020).

Seon, G., Nikishkov, Y., Makeev, A. y Ferguson, L. Hacia un gemelo digital para mitigar la formación de huecos durante la reducción de volumen de piezas compuestas de autoclave. Ing. Fracta. Mec. 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, 16.ª Conferencia Internacional de Informática Industrial (INDIN) del IEEE (2018), 803–808.

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

Artículo de Google Scholar

Milanoski, D., Galanopoulos, G., Zarouchas, D., Loutas, T. Diagnóstico de daños multinivel en paneles compuestos rígidos basado en un gemelo digital que no informa sobre daños. Estructura. Monitor de salud. (2022) 14759217221108676.

Milanoski, DP, Galanopoulos, GK y Loutas, TH Gemelos digitales de aeroestructuras compuestas para el monitoreo de la salud estructural. En 2021, octavo taller internacional de IEEE sobre metrología para el sector aeroespacial (MetroAeroSpace) (2021) 613–618.

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

Artículo ADS CAS Google Scholar

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

MATEMÁTICAS Google Scholar

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

MATEMÁTICAS Google Scholar

Girasa, R. La IA como tecnología disruptiva, La inteligencia artificial como tecnología disruptiva: transformación económica y regulación gubernamental 3–21 (Springer, 2020).

Google Académico

Chaudhary, V., Kaushik, AK, Furukawa, H., Khosla, A. Hacia sensores inteligentes sostenibles impulsados ​​por IA e IoT de quinta generación basados ​​en mxenos 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. y col. Visión artificial ultrarrápida con sensores de imágenes de redes neuronales de materiales 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 de Google Scholar

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

Artículo ADS CAS PubMed PubMed Central Google Scholar

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

Artículo ADS CAS PubMed PubMed Central Google Scholar

Kim, I. et al. Aceleración del simulador y diseño inverso de transistores de efecto de campo de aletas mediante aprendizaje automático. Ciencia. Rep. 12(1), 1140 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

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

Artículo ADS CAS PubMed PubMed Central Google Scholar

Tritsaris, GA, Carr, S. & Schleder, GR Diseño computacional de conjuntos de muaré asistido por inteligencia artificial. Aplica. Física. Rev.8(3), 031401 (2021).

Artículo ADS CAS Google Scholar

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

ADS del artículo Google Scholar

Huang, M., Li, Z., Zhu, H. Avances recientes del grafeno y materiales relacionados en inteligencia artificial. Adv. Intel. Sistema. n/a(n/a) (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 colocación de una base de datos determinada. Compos. Ciencia. Tecnología. (2021) 109154.

Kikuchi, M., Ogasawara, T., Fujii, S. y Takeda, S.-I. Aplicación del 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. Fabricante. 161, 107108 (2022).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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

Artículo CAS Google Scholar

Reghat, M. y col. Grafeno como recubrimiento piezorresistivo para permitir el control de la tensión en compuestos de fibra de vidrio. Compos. Ciencia. Tecnología. 211, 108842 (2021).

Artículo CAS Google Scholar

Alexopoulos, ND, Bartholome, C., Poulin, P. y Marioli-Riga, Z. Monitoreo 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 Scholar

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

Artículo de Google Scholar

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

Artículo ADS CAS Google Scholar

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

Artículo CAS Google Scholar

Fernández-León, J. et al. Una estrategia de aprendizaje automático para la detección de pistas de carreras durante la fabricación de compuestos mediante moldeo líquido. Integral Madre. Fabricante. Innovación. 11(2), 296–311 (2022).

Artículo de Google Scholar

González, C. & Fernández-León, J. Un modelo de aprendizaje automático para detectar perturbaciones del flujo durante la fabricación de composites mediante moldeo líquido. J. Compos. Ciencia. 4(2), 71 (2020).

Artículo de Google Scholar

Mendikute, J. y col. Diagnóstico de la calidad de la impregnación en moldeo por transferencia de resina mediante aprendizaje automático. Compos. B Ing. 221, 108973 (2021).

Artículo CAS Google Scholar

Li, D., Hua, S., Li, Z., Gong, X. y Wang, J. Sistema de inspección en línea automático basado en visión para filamentos rotos de fibra de carbono con aprendizaje de funciones multiescala. Traducción IEEE. Instrumento. Medidas. 71, 1-12 (2022).

Artículo de Google Scholar

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. y 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 de Google Scholar

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

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

Artículo de Google Scholar

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

Artículo de Google Scholar

Li, X. y col. Detección de defectos basada en aprendizaje profundo de determinadas palas y paletas de motores de aviación con DDSC-YOLOv5. Ciencia. Rep. 12(1), 13067 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

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

ADS del artículo Google Scholar

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, octava conferencia internacional de IEEE sobre sistemas inteligentes (IS), 516–521 (2016).

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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 turbomáquinas (2020)

Bandara, S., Herath, M., Epaarachchi, J. Métodos sensoriales e identificación de daños basada en el aprendizaje automático de estructuras compuestas reforzadas con fibras: una revisión introductoria. J. Plast reforzado. Compos. (2022).

Guo, P., Meng, X., Meng, W. & Bao, Y. Monitoreo y caracterización automática de grietas en compuestos cementosos endurecibles por deformación (SHCC) mediante interpretación inteligente de fotografías. Compos. B Ing. 242, 110096 (2022).

Artículo CAS Google Scholar

Yoon, J., Lee, J., Kim, G., Ryu, S. & Park, J. Técnica de monitoreo de la salud estructural basada en redes neuronales profundas para la detección y localización de grietas en tiempo real mediante 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. Traducción IEEE. Industria. Electrón. 68(3), 2532–2542 (2021).

Artículo de Google Scholar

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

Artículo CAS PubMed PubMed Central Google Scholar

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

Artículo CAS Google Scholar

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, Archivos de métodos computacionales en ingeniería 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. Polimero. Compos. 41(12), 5387–5402 (2020).

Artículo CAS Google Scholar

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

Artículo de Google Scholar

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

ADS del artículo Google Scholar

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

ADS del artículo Google Scholar

Zhu, J., Droste, D., Dimassi, A. y 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. Madre. 56(19), 2979–2993 (2022).

Artículo ADS CAS Google Scholar

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 2019 Conferencia internacional "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, Gante, 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 20.a Conferencia Internacional IEEE sobre Aplicaciones y Aprendizaje Automático (ICMLA), (2021) 694–697.

Das, PP, Elenchezhian, M., Vadlamudi, V. y Raihan, R., La inteligencia artificial asistió la resistencia residual y la predicción de la vida útil de compuestos poliméricos reforzados con fibra. Foro AIAA SCITECH 2023 (2023).

Hassan, H. & Tallman, TN Predicción de fallas en nanocompuestos autodetectados mediante inversión piezoresistiva habilitada por algoritmos genéticos. Estructura. Monitor de salud. 19(3), 765–780 (2020).

Artículo de Google Scholar

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 de Google Scholar

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

Artículo de Google Scholar

Teng, Y., Li, L., Song, L., Yu, FR y Leung, VCM Profit maximiza la fabricación inteligente a través de cadenas de bloques configurables habilitadas con inteligencia artificial. IEEE Internet Things J. 9(1), 346–358 (2022).

Artículo de Google Scholar

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

Artículo de Google Scholar

Javaid, M., Haleem, A., Pratap Singh, R., Khan, S. y Suman, R. Aplicaciones de la tecnología Blockchain para la Industria 4.0: una revisión basada en la literatura. Res. Blockchain. Aplica. 2(4), 100027 (2021).

Artículo de Google Scholar

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 de Google Scholar

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

Wang, J., Wu, P., Wang, X. y Shou, W. Las perspectivas de la tecnología blockchain para la gestión de ingeniería de la construcción. Frente. Ing. Gestionar. 4(1), 67–75 (2017).

Artículo de Google Scholar

Ahmad, RW y cols. El papel de la tecnología blockchain en la industria de la aviación. IEEE Aerosp. Electrón. Sistema. revista 36(3), 4-15 (2021).

Artículo de Google Scholar

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

Artículo de Google Scholar

Baalamurugan, KM, Bacanin, PPN, Venkatachalam, K., Askar, SS y Abouhawwash, M. Marco K-armónico 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. Optimización de la era de la información para la tecnología blockchain con aplicaciones a sensores de IoT. Comunicaciones IEEE. Letón. 24(1), 183–187 (2020).

Artículo de Google Scholar

Descargar referencias

Este trabajo está financiado por la subvención interna CIRA-2020-007, número de subvención 8474000275 de la Universidad de Ciencia y Tecnología 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 puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes 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, Escritura-Revisión y Edición de Figuras, MYK: Dibujo, Escritura-Revisión y Edición de Figuras R.U.: Conceptualización, Supervisión, Metodología, Investigación, Adquisición de Financiamiento, Recursos, Escritura-revisión y edición.

Correspondencia a Rehan Umer.

Los autores declaran no tener conflictos de intereses.

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

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique 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 normativa legal o excede el uso permitido, deberá obtener 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 de diciembre de 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, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos 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.