Resumen de Computational analysis for evaluating the dynamic behavior of birefringent samples in digital photoelasticity

Jaiber Acevedo Pino, Juan C. Briñez de León, Hermes A. Fandiño Toro

• español

  El análisis de esfuerzos mecánicos, en cuerpos cargados, es de interés para diversas áreas de la ingeniería por las posibilidades de identificar condiciones de falla. En ese campo de trabajo, los estudios de fotoelasticidad digital resaltan por su capacidad visual de revelar los esfuerzos a través de imágenes con patrones de franjas de color. Sin embargo, la complejidad de los algoritmos convencionales para la decodificación de estas franjas hace que la caracterización de diferentes zonas con concentración de esfuerzos no sea una tarea simple. En este sentido, este trabajo, presenta una metodología para reconocer zonas que experimentan diferentes niveles de concentración de esfuerzos en casos con aplicación incremental de carga, a partir del análisis de trayectorias de píxel, y clustering.

• English

  Analyzing mechanical stresses in loaded bodies is relevant for diverse engineering areas. Among other possibilities, this kind of analysis is useful to identify failure conditions. One experimental technique for analyzing mechanical stresses is digital photoelasticity, which allows visualizing the stresses on the surface of a loaded body as fringe patterns. Digital photoelasticity stands out from other techniques for evaluating mechanical stresses, due to their non-contact, full-field and visual capabilities. Nonetheless, using photoelasticity to characterize zones with different stress concentration levels is not an easy task.

  This is due to the complexity of conventional photoelasticity algorithms for decoding stress information modulated by the fringe patterns. This manuscript presents a computational strategy to characterize zones with different stress concentration levels. The strategy relies on analyzing pixel trajectories extracted from sequences of photoelasticity images. The trajectories are transformed into histograms to quantify their changes of orientation. Finally, the characterized trajectories are grouped by using clustering.