Identifikation unscharfer Abhängigkeiten mit Methoden künstlicher Intelligenz zur Prognose des statischen und dynamischen Tragwerksverhaltens

• Antragsteller: Professor Dr.-Ing. Steffen Freitag
• Fachliche Zuordnung: Angewandte Mechanik, Statik und Dynamik
• Förderung: Förderung von 2011 bis 2014
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 198800872

Die Berechnung und Sicherheitsbeurteilung statisch oder dynamisch belasteter Tragwerke erfordert die realitätsnahe Erfassung des Materialverhaltens unter den auftretenden Beanspruchungen. Neben mechanischen Beanspruchungen kann das Materialverhalten z.B. auch durch thermische und hygrische Einwirkungen beeinflusst werden. Zur Beschreibung des Materialverhaltens werden üblicherweise spezifische Modelle verwendet, deren Parameter durch experimentelle Untersuchungen zu identifizieren sind. Eine Alternative zu dieser modellbasierten Vorgehensweise sind generalisierte modellfreie Beschreibungen des Materialverhaltens mit Methoden künstlicher Intelligenz, die im For-schungsvorhaben entwickelt werden. Aus Versuchen an Probekörpern werden i.d.R. unscharfe Daten erhalten, die Materialbeanspruchungen und Materialantworten repräsentieren. Komplexe Abhängig-keiten zwischen unscharfen Materialbeanspruchungen und -antworten werden mit künstlichen neuro-nalen Netzen beschrieben und unter Anwendung von Schwarmintelligenz identifiziert. Künstliche neuronale Netze sind in Aufbau und Funktionsweise dem menschlichen Gehirn nachempfunden. Zum Erlernen der o.g. Abhängigkeiten zwischen unscharfen Daten werden neuartige Optimierungsaufgaben formuliert. Schwarmintelligenz kann zur Lösung dieser Optimierungsaufgaben eingesetzt werden. Dabei wird das Sozialverhalten von Lebewesen numerisch adaptiert. Ein neu zu entwickelndes selbstorganisiertes Lernverfahren ermöglicht eine weitgehend autonome Identifikation der Abhängig-keiten – auch als Training bezeichnet – und deren Validierung. Durch indirektes Training neuronaler Netze sollen auch unscharfe Daten aus inhomogenen Feldern berücksichtigt werden. Trainierte und validierte neuronale Netze können an Stelle von Materialmodellen in numerischen Tragwerksanalysen z.B. auf Basis der Finite-Elemente-Methode eingesetzt werden. Damit sind realitätsnahe Prognosen des Tragwerksverhaltens unter Berücksichtigung unscharfer Parameter möglich.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Gastgeber: Professor Rafi L. Muhanna, Ph.D.