Sugestões para trabalhos futuros

Um caminho para melhorar a análise e, consequentemente, o desenvolvimento das curvas de vida constante, seria através da criação ou utilização de um novo equacionamento para a obtenção das curvas S-N de probabilidade. Esse estudo avaliaria o método mais robusto que seja capaz de estimar os parâmetros da distribuição de Weibull, trazendo mais precisão aos resultados.

105

REFERÊNCIAS BIBLIOGRÁFICAS

ADAM, T.; FERNANDO, G.; DICKSON, R. F.; REITER, H.; HARRIS, B. Fatigue life prediction for hybrid composites. International Journal of Fatigue, Vol. 11, No. 4, pp. 233-237, 1989.

AL-ASSAF Y.; EL KADI H. Fatigue life prediction of unidirectional glass fiber/epoxy composite laminate using neural network. Compos Struct 2001; 53(1):65–71.

ALLEGRI G.; ZHANG X. On the inverse power laws for accelerated random fatigue. Int J Fatigue 2008; 30:967–77.

ASTM E739-10. Standard Practice for Statistical Analysis of Linear or Linearized Stress-Life (S-N) and Strain-Life (ε-N) Fatigue Data, ASTM International, West Conshohocken, PA, 2010.

AZAM, F. Biologically inspired modular neural networks. Tese de Doutorado. Virginia Polytechnic Institute and State University, 2000.

BAILEY, R.L.; DELL, J.R. Quantifying diameter distributions with the Weibull function. Forest Science, Bethesda, v. 19, n.2, p. 97-104, 1973.

BARROS, A. R. F. Compósitos Híbridos: Desenvolvimento De Configuração E Efeitos De Umidificação. Tese de Doutorado. Universidade Federal do Rio Grande do Norte, 2006.

BEHESHTY, M. H.; HARRIS, B.; ADAM, T. An Empirical Fatigue-Life Model for High-Performance Fibre Composites with and without Impact Damage. Composites – Part A: Applied Science and Manufacturing, Vol. 30, pp. 971-987, 1999.

BELÍSIO, A. S. Utilização de RNA’s na Construção do Diagrama de Vida Constante de Probabilidade de Compósitos. Tese de Doutorado. Universidade Federal do Rio Grande do Norte, 2014.

BERGNER F., ZOUHAR G. A new approach to the correlation between the coefficient and the exponent in the power law equation of fatigue crack growth. Int J Fatigue 2000; 22:229–39.

BIRKES, D.; DODGE, Y. Alternative methods of regression, J. Wiley & Sons, New York, 1993.

BOND, I. P. Fatigue Life Prediction for GRP Subjected to Variable Amplitude Loading. Composites: Part A, Vol. 30, pp. 961-970, 1999.

BRAGA, A. P.; LUDEMIR, T. B.; CARVALHO, A. C. F. Redes neurais artificiais: Teoria e Aplicações. LTC, 2000.

106 BUDYNAS, R. G.; NISBETT, J. K. Elementos de Máquinas de Shigley, 10° Ed. Porto Alegre: AMGH, 2016.

CACCIARI, M.; MAZZANTI, G. C.; JACQUELIN, J. A Robust Technique for the Estimation of the Twoparameter Weibull Function for Complete Data Sets. International Journal of Statistics, v. 30, issue 3-4, pp. 64-92, 2002.

CALOBA, G. M.; CALOBA, L. P.; SALIBY, E. Cooperação entre redes neurais artificiais e técnicas 'clássicas' para previsão de demanda de uma série de vendas de cerveja na Austrália. Pesqui. Oper., 2002, vol.22, n.3, pp. 345-358. ISSN 0101-7438. CAPRINO, G.; GIORLEO, G. Fatigue lifetime of glass fabric/epoxy composites. Composites: Part A, 30, pp. 299-304, 1999.

CARPINTERI A.; PAGGI M. A unified interpretation of the power laws in fatigue and the analytical correlations between cyclic properties of engineering materials. Int J Fatigue 2009;31:1524–31.

CASTILHO, E.; AENLLE, M. L.; RAMOS, A.; CANTELI, A. F.; KIESELBACH, R. ESSLINGER, V. Specimen length effect on parameter estimation in modelling fatigue strength by Weibull distribution. International Journal of Fatigue, n. 28, pp. 1047- 1058, 2006.

CHOI S. R.; NEMETH N. N.; GYEKENYESI J. P. Slow crack growth of brittle materials with exponencial crack velocity under cyclic fatigue loading. Int J Fatigue 2006; 28:164–72.

COSTA, M. A. Controle por Modos Deslizantes da Generalização em Aprendizado de Redes Neurais Artificiais. Tese de doutorado. Universidade Federal de Minas Gerais, 2002.

CYBENKO, G. Approximation by Superposition of a Sigmoidal Function, Mathematical Control Signals Systems, Vol. 2, pp. 303-314, 1989.

DANTAS, C. A. B. Probabilidade: Um curso Introdutório. 3ª ed. pp. 171-173. Ed. EdUsp. 2008.

DEGRIECK, J.; VAN PAEPEGEM, W. Fatigue Damage Modeling of Fiber-Reinforced Composite Materials: Review. Applied Mechanics Review, Vol. 54, No. 4, pp. 279- 300. 2001.

DETERESA, S. J.; FREEMAN, D. C.; GROVES, S. E. Fatigue and Fracture of Fiber Composites Under Combined Interlaminar Stresses. American Society For Composites - 13° Technical Conference, 1998.

DING, Y. Q.; YAN, Y.; MCILHAGGER, R.; BROWN D. Comparison of the Fatigue Behavior of 2-D and 3-D Woven Fabric Reinforced Composites, Journal of Materials Processing Technology, Vol. 55, pp. 171-177, 1995.

107 DINIZ, B. D. C.; BELISIO, A. S.; FREIRE JUNIOR, R. C. S. Development of probabilistic constant life diagrams using modular networks. Journal of Composite Materials, v. 1, p. 1-10, 2015.

DUNAND-CHÂTELLET C.; MOUMNI Z. Experimental analysis of the fatigue of shape memory alloys through power-law statistics. Int J Fatigue 2012;36:163–70. EL KADI, H.; AL-ASSAF, Y. (a); Prediction of the Fatigue Life Prediction of Unidirectional Glass Fiber/Epoxy Composite Laminate Using Different Neural Network Paradigms. Composite Structures, Vol. 55, pp. 239-246, 2002.

EL KADI, H.; AL-ASSAF, Y. (b); Energy Based Fatigue Life Prediction of Fiberglass/Epoxy Composites Using Modular Neural Network. Composite Structures, Vol. 57, pp. 85-89, 2002.

FOK, S. L.; MITCHELL, B. C.; SMART, J.; MARSDEN, B. J. A numerical study on the application of the Weibull theory to brittle materials. Engineering Fracture Mechanics, v. 20, 2001, pp. 1171-1179.

FRANCIS, P. H.; WALRATH, D. E.; SIMS, D. F.; WEED, D. N. Biaxial Fatigue Loading of Notched Composites. Composite Materials, Vol. 11, pp. 488-501, 1977. FREIRE JÚNIOR, R. C. S.; AQUINO E. M. F.; NETO DÓRIA A. D. Building of constant life diagrams of fatigue using artificial neural networks. Int J Fatigue 2005; 27: 746–51.

FREIRE JÚNIOR, R. C. S.; BELÍSIO A. Probabilistic S–N curves using exponential and power laws equations. Composites. Part B, Engineering 2014;56:582-90.

FREIRE JÚNIOR, R. C. S. Fadiga de Alto Ciclo em Compósitos de PRFV. Modelagem por RNAs e Prevenção de Falha. Tese de Doutorado. Universidade Federal do Rio Grande do Norte, 2005.

FREIRE JÚNIOR, R. C. S.; AQUINO, E. M. F. Comparative study between ANN models and conventional equations in the analysis of fatigue failure of GFRP. International Journal of Fatigue, v. 31, pp. 831-839, 2009.

FREIRE JÚNIOR, R. C. S.; AQUINO, E. M. F. Use of modular network in the building of constant life diagrams. International Journal of Fatigue, v. 29, pp. 389-396, 2007. GAMSTEDT, E. K.; BERGLUND, L. A.; PEIJS, T. Fatigue Mechanisms in Unidiretional Glass-fiber-reinforced Polypropylene, Composites Science and Technology, Vol. 59, pp. 759-768, 1999.

GASSAN, J.; DIETZ, T. Fatigue Behavior of Cross-Ply Glass-Fiber Composites Based on Epoxy Resins of Different Toughnesses. Composites Science and Technology, Vol. 61, pp. 157-163, 2001.

108 GATHERCOLE, N.; REITER, H.; ADAM, T.; HARRIS, B. Life prediction for fatigue of T800/5245 carbon-fiber composites I: Constant-amplitude loading. Fatigue 1994;6:523–32.

GERMAN, S.; BIENENSTOCK, E.; DOURNSAT, R. Neural networks and the bias/variance dilemma, Neural Computation 4(1): 1–58, 1992.

GRANT, E. E.; LEAVENWORTH, R. S. Statistical Quality Control. McGraw Hill, New York, 1988.

HAGE, E. Jr. Compósitos e blends poliméricas. Campinas, Instituto latino americano e IBM Brasil, 1989, 203p.

HARRIS, B.; GATHERCOLE, N.; LEE, J. A.; REITER, H.; ADAM, T. Life-prediction for constant stress fatigue in carbon-fibre composites. Philos Trans Roy Soc Lond A 1997: 1259–94.

HARRIS, B. Fatigue in Composites. First Edition Woodhead Publishing and CRC Press; Boca Raton; 2003.

HARTWING, G.; HÜBNER, R.; KNAAK, S.; PANNKOKE, C. Fatigue Behaviour Composites. Cryogenics, Vol. 38, pp. 75-78, 1998.

HASSOUN, M. H. Fundamentals of artificial neural networks. MIT Press, 1995. HAYKIN, S. Redes Neurais: Princípios e Prática. 2a ed.: Bookman, 2001. 893 p. ISHIKAWA, M.; Learning of Modular Structured Networks, Artificial Inteligence, Vol. 75, pp. 51-72, 1995.

IYODA, E. M. Inteligência computacional no projeto automático de redes neurais híbridas e redes neurofuzzy heterogêneas. Tese Doutorado. Universidade Estadual de Campinas, 2000.

KOVÁCS, Z. L. Redes neurais artificiais: Fundamentos e Aplicações. Livraria da Física, 2006.

KWOFIE, S. An exponential stress function for prediction fatigue strength and life due to mean stresses. Int J Fatigue 2001;23:829–36.

LEE J. A.; ALMOND D. P.; HARRIS B. The use of neural network for the prediction of fatigue lives of composite materials. Composites Part A: Applied Science and Manufacturing 1999; 30(10):1159–69.

LEE, J.; HARRIS, B.; ALMONT, D. P.; HAMMERTT, F. Fibre composite fatigue-life determination. Composites Part A: Applied Science and Manufacturing Vol. 28, 1997, pp. 5-15.

109 MALLICK, P. K. Fiber-reinforced composites: materials, manufacturing and design. New York, Marcel Dekker, 312p, 1988.

MANDELL, J. F.; SAMBORSKY, D. D. DOE/MSU composite material fatigue database. Sandia National Laboratories, v. 19.0; 2010.

MANDELL, J. F.; SAMBORSKY, D. D. DOE/MSU Composite Material Fatigue Database: test Methods, Materials and Analysis, SAND97-3002, Sandia National Laboratories, Albuquerque, 140 p, 1997.

MATTHEWS, F. L.; RAWLINGS, R. D. Composite materials: engineering and science, Great Britain, Chapman & Hall, 470 p, 1994.

MEYER, L. P. Probabilidade Aplicações à Estatística. Ed. LTC, 1995, 2ª ed. Rio de Janeiro, RJ, 426 p.

MOHANTY, J. R.; VERMA, B. B.; RAY P. K. Prediction of fatigue crack growth and residual life using an exponential model: Part I (constant amplitude loading). Int J Fatigue 2009;31:418–24.

MONTGOMERY, D. C. Introdução ao Controle Estatístico da Qualidade. 4. ed. Rio de Janeiro: LTC Editora, 2004.

MORAIS, A. M. B. Estudo do Comportamento à Compressão de Compósitos. Tese de Doutorado. Universidade do Porto, 1997.

MOTT, R. L. Elementos de Máquinas em Projetos Mecânicos, 5ª Ed., 904 p, 2015. NIED, A. Treinamento de redes neurais artificiais baseado em sistemas de estrutura variável com taxa de aprendizado adaptativa. Tese de Doutorado. Universidade Federal de Minas Gerais, 2007.

PAPARGYRIS, A. D. Estimator Type and Population Size for Estimating the Weibull Modulus in Ceramics. Journal of the European Ceramic Society, n 18, 1998, pp 451- 455.

PESTANA, D.; VELOSA, S. Introdução à Probabilidade e à Estatística, Volume I, 4ª edição, Fundação Calouste Gulbenkian, 2010.

PHILIPPIDIS T. P.; VASSILOPOULOS A. P. Complex stress state effect on fatigue life of GFRP laminates. Part I. Experimental. Int J Fatigue 2002;24(8):813-823.

PHILIPPIDIS, T. P.; VASSILOPOULOS, A. P. Fatigue of Composite Laminates under offaxis Loading. International Journal of Fatigue, Vol. 21, pp. 253-262, 1999.

RINNE, H. The Weibull distribution a handbook, Justus-Liebig-University Giessen, Germany Chapman & Hall/CRC, pp. 27, 2009.

110 SAINT GOBAIN INDUSTRIES, disponível em http://www.saintgobain.com. Acesso em: 22/03/2015.

SAKAI, T.; LIAN, B.; TAKEDA, M.; SHIOZAWA, K.; OGUMA; OCHI, N.; NAKAJIMA M.; NAKAMURA T. Statistical duplex S–N characteristics of high carbon chromium bearing steel in rotating bending in very high cycle regime. International Journal of Fatigue, vol. 32, 2010, pp. 497–504.

SAKAI, T.; OKADA, K.; FURUICHI, M.; NISHIKAWA, I.; SUGETA, A. Statistical fatigue properties of SCM435 stell in ultra-long-life regime basead on JSMS database on fatigue strength of metallic materials. International Journal of Fatigue, vol. 28, 2006, pp. 1486-1492.

SCHIJIVE, J. Fatigue of structures and materials in the 20th century and the state of the art. International Journal of Fatigue, n. 23, pp. 679-702, 2003.

SENA, B. B. V.; FREIRE JÚNIOR, R. C. S. Criteria for the use of modular networks: fatigue in composite materials. Journal of Composites Materials 2012; 46: 2973– 2985.

SHOKRIEH, M. M.; LESSARD, L. B. Multiaxial Fatigue Behavior of Unidiretional Plies Based on Uniaxial Fatigue, International Journal of Fatigue, Vol. 19, No. 3, pp. 201-207, 1997.

SILVA, A. L. F. Obtenção da distribuição de pressão em asas usando redes neurais. Dissertação de Mestrado. Universidade de São Paulo, 2009.

SILVA, L. C. F.; MENDES, J. U. L.; LADCHUMANANANDASIVAM, R. Análise das Propriedades Mecânicas e Térmicas de Tijolos Solo-Cimento com e sem Adição de Pó da Fibra do Coco, Congresso Nacional de engenharia Mecânica, 6 p, 2000.

SOUZA, L. F. R. Redes neurais artificiais na predição de respostas e estimação de derivadas aerodinâmicas de aeronaves. Tese de Doutorado. Universidade de São Paulo, 2007.

SOUZA, S. A. Ensaios Mecânicos de Materiais Metálicos – Fundamentos Teóricos e Práticos. 5° Ed., 286 pp, 1982.

SPRENT, P. Applied nonparametric statistical methods, Chapman and Hall, London, 1989.

SUBRAMANIAN, S.; REIFSNIDER, K. L.; STINCHCOMB, W. W. A Cumulative Damage Model to Predict the Fatigue Life of Composite Laminates Including the Effect of a Fibre-Matrix Interphase. International Journal of Fatigue, Vol. 17, N. 5, pp. 343- 251, 1995.

SUTHERLAND, H. J. On the Fatigue Analysis of Wind Turbines, SAND99-0089, Sandia National Laboratories, Albuquerque, 133 p, 1999.

111 SUTHERLAND, H. J.; VEERS, P. S. Fatigue Case Study and Reability Analyses for Wind Turbines, Int. Solar Energy Conference, pp. 1-7, 1995.

VASSILOPOULOS, A. P.; MANSHADI, B. D.; KELLER, T. Influence of the constant life diagram formulation on the fatigue life prediction of composite materials, Int. J. Fatigue, 2010, pp. 659-669.

VASSILOPOULOS, A. P.; KELLER, T. Fatigue of fiber-reinforced composites. London, Springer, 2011.

VASSILOPOULOS, A. P.; GEORGOPOULOS, E. F.; KELLER, T. Comparison of generic programming with conventional methods for fatigue life modeling of FRP composite materials. Int J Fatigue 2008;30:1634–45.

VASSILOPOULOS, A. P.; GEORGOPOULOS, E. F.; DIONYSOPOULOS, V. Artificial Neural Networks in spectrum fatigue life prediction of composite materials. International Journal of Fatigue, v. 29, pp. 20-29, 2007.

VENTURA, A. Os Compósitos e a sua Aplicação na Reabilitação de Estruturas Metálicas. Departamento de Engenharia Química e Biológica, Instituto Superior Técnico. ISSN 0870-8312, 2009.

VINCENZINE, P. Advanced structural fiber composites. Itália, Techna Faenza, 623 p, 1995.

WAHL, N.; SAMBORSKY, D.; MANDELL, J.; CAIRNS, D. Effects of Modeling Assumptions on the Accuracy of Spectrum Fatigue Lifetime Predictions for a Fiberglass Laminate. Wind Energy 2002, pp. 19-26, 2002.

WANG, Y.; CHAN, Y. C.; GUI, Z. L.; WEBB, D. P;. LI, L. T. Application of Weibull distribution analysis to the dielectric failure of multilayer ceramic capacitors. Material Science and Engineering B, 1997, vol. 47, pp. 197-203.

WEIBULL, W.; SWEDEN, S. A statistic distribution function of wide applicability. ASME Journal of applied mechanics, 1951: 293-297.

WHITWORTH, A. H. A Stiffness Degradation Model for Composite Laminates under Fatigue Loading. Composite Structures, Vol. 40, pp. 95-101, 1998.

YANULEVSKAYA, V.; GEUSEBROEK, J. Significance Of The Weibull Distribution And Its Sub-Models In Natural Image Statistics. International Conference on Computer Vision Theory and Applications, pp. 355-362, 2009.

YAO, W. X.; HIMMEL, N. Statistical analysis of data from truncated fatigue life and corresponding residual strength experiments for polymer matrix composites. International Journal of Fatigue 1999, 581–585.

112 YOUNG, L.; EKVALL, J. C. Reliability of Fatigue Testng, Statistical end analysis of Fatigue Date. ASTM STP 744, R. E., Little end J. C. Ekvall, eds., American Society for Testing and Materials, 1981, pp. 55-74.

Apêndice A

Tabela 1A - Constantes A, B e C, α e  das curvas S-N de probabilidade a partir da Lei da potência generalizada, e número total de corpos de prova para cada

razão de fadiga (R) do material DD16

R A B C α  Número de amostras 2 2,006 0,009 1,695 0,538 3,094 21 10 2,270 0,045 1,037 1,283 1,559 49 -2 2,505 0,011 1,920 1,194 1,586 32 -1 2,606 25 1,704 1,933 1,3131 27 -0,5 2,690 0,108 1,050 1,974 1,312 28 0,1 2,471 0,090 1,000 1,398 1,461 93 0,5 2,213 0,050 1,223 1,357 1,553 66 0,7 1,988 0,023 1,652 1,756 1,394 23 0,8 1,794 0,014 1,767 1,483 1,450 28 0,9 1,458 0,007 1,830 1,076 1,363 24

113 Tabela 2A - Constantes A, B e C, α e  das curvas S-N de probabilidade a partir

da Lei da potência generalizada, e número total de corpos de prova para cada razão de fadiga (R) do material IM7-977

R A B C α  Número de amostras 10 2,574 0,0045 1,88 0,553 1,543 15 -1,5 2,807 0,00067 3 0,776 1,125 16 -1 2,947 0,0198 1,375 0,764 1,957 22 -0,3 2,987 0,00089 3 0,968 2,207 27 0,1 2,785 0,00037 3 0,584 1,212 12

Tabela 3A - Constantes A, B e C, α e  das curvas S-N de probabilidade a partir da Lei da potência generalizada, e número total de corpos de prova para cada

razão de fadiga (R) do material T800-5245

R A B C α  Número de amostras 10 2,60 0,010 1,625 0,794 2,122 26 -1,5 2,857 0,00597 2 1,221 1,561 13 -1 2,893 0,0101 3 0,764 1,098 17 -0,6 3,122 0,0584 1,023 0,771 1,920 13 -0,3 3,031 0,0173 1,5 1,477 1,466 25 0,1 2,862 0,0173 1,312 0,804 1,832 33 0,5 2,618 0,0137 0,968 0,431 3,374 17