El proyecto RAPIDO (A RApid model for Predictive maintenance of composite structures with different Impact
Damage scenariOs) busca desarrollar una herramienta predictiva rápida para el mantenimiento de estructuras
compuestas en aplicaciones civiles y de defensa. Su objetivo es mejorar la seguridad y sostenibilidad de los
vehículos mediante el monitoreo continuo de su integridad estructural usando sensores.
Innovación y Justificación
Actualmente, el monitoreo de salud estructural (Structural Health Monitoring, SHM) enfrenta desafíos debido a la
dificultad para cuantificar daños en materiales compuestos y la escasez de datos para entrenar modelos de
inteligencia artificial. RAPIDO propone una solución basada en:
- Simulación de alta fidelidad (HPC): Creación de grandes bases de datos de escenarios de daño mediante simulaciones avanzadas.
- Machine Learning (ML): Desarrollo de algoritmos de aprendizaje automático para detectar, localizar y cuantificar daños en estructuras complejas.
Hipótesis del Proyecto
El Machine Learning es ideal para mantenimiento predictivo: Puede analizar grandes volúmenes de datos
estructurales en tiempo real y predecir fallos.
Modelos numéricos de alta fidelidad generan datos sintéticos útiles: Esto permite entrenar algoritmos sin
depender exclusivamente de pruebas experimentales costosas.
El uso de supercomputación (HPC) es clave: Permite manejar grandes volúmenes de datos y entrenar modelos de ML
eficientemente.
Objetivos del Proyecto
- Desarrollar un simulador de alta fidelidad basado en elementos finitos para generar datos sintéticos sobre ondas
Lamb y eventos de impacto. - Crear un marco de ML con algoritmos precisos para detección, localización y cuantificación de daños.
- Diseñar un “gemelo digital predictivo” que se integre en sistemas SHM reales para toma de decisiones de
mantenimiento.
Metodología y Plan de Trabajo
El proyecto se divide en 5 paquetes de trabajo (Work Packages, WPs):
- WP1: Definir casos de estudio y campañas de prueba (simulaciones y experimentos).
- WP2: Desarrollar el simulador de alta fidelidad para ondas Lamb e impactos.
- WP3: Diseñar modelos de ML para análisis automático de daños.
- WP4: Integrar el simulador y los modelos de ML en un gemelo digital.
- WP5: Gestión del proyecto y divulgación de resultados.
Impacto Esperado
- Científico-técnico: Mejorar la precisión de SHM con inteligencia artificial y HPC.
- Económico: Reducir costos de mantenimiento y aumentar la eficiencia de aeronaves.
- Social: Aumentar la seguridad estructural en la industria aeroespacial y otras áreas como energía eólica y
construcción civil.
El proyecto cuenta con la participación de la Universidad Politécnica de Madrid (UPM) y el Barcelona
Supercomputing Center (BSC-CNS), además del respaldo de empresas como Airbus, Aernnova e ISATI.