Identifikation unscharfer Abhängigkeiten mit Methoden künstlicher Intelligenz zur Prognose des statischen und dynamischen Tragwerksverhaltens
Zusammenfassung der Projektergebnisse
Im Forschungsprojekt wurden neuartige Vorgehensweisen entwickelt, mit denen unscharfes Materialverhalten identifiziert werden kann. Methoden der künstlichen Intelligenz wurden genutzt und weiterentwickelt, um unscharfe Spannungs-Verzerrungs-Zeit-Abhängigkeiten aus Versuchen an Probekörpern zu ermitteln und zeitabhängiges Tragwerksverhalten zu prognostizieren. Im Gegensatz zum üblichen Vorgehen auf Basis spezifischer Materialmodelle wurden generalisierte modellfreie Beschreibungen formuliert. Um komplexe Abhängigkeiten zwischen unscharfen Materialbeanspruchungen und -antworten erfassen zu können, wurden künstliche neuronale Netze eingesetzt. Als vorteilhaft für die Erfassung zeitabhängigen Verhaltens haben sich rekurrente neuronale Netze erwiesen. Richtungsabhängigkeiten des untersuchten Materials können erlernt oder mit speziellen Netzarchitekturen auch a priori festgelegt werden. Zur Identifikation unscharfer Netzparameter wurden Optimierungsaufgaben formuliert und mit Methoden der Schwarmintelligenz gelöst. Dabei wird das Sozialverhalten von Lebewesen numerisch adaptiert. Die Optimierungsstrategie Particle Swarm Optimization wurde im Projekt für unscharfe Parameter erweitert und mit gradientenbasierten Algorithmen verifiziert. Mit Particle Swarm Optimization konnten gleiche Approximationsgüten mit weniger unscharfen Netzparametern erreicht werden. Ein neu entwickelter Algorithmus ermöglicht auch weitgehend autonomes indirektes Training neuronaler Netze mit unscharfen Daten aus inhomogenen Feldern. Versuche an Probekörbern mit quasi statisch oder dynamisch wirkenden Belastungen können auf Basis der Finite-Elemente-Methode numerisch simuliert werden. Das Materialverhalten wird an den Integrationspunkten mit rekurrenten neuronalen Netzen beschrieben. Die Netzparameter werden aus unscharfen Last-Verschiebungs-Zeit-Abhängigkeiten identifiziert. Trainierte und validierte neuronale Netze wurden auch an Stelle von Materialmodellen in numerischen Tragwerksanalysen eingesetzt. In numerischen Studien wurden beispielsweise Fuzzy-Verschiebungsprozesse und Fuzzy-Versagenswahrscheinlichkeiten komplexer Tragwerke berechnet. Die entwickelten Strategien zur modellfreien Materialbeschreibung und Identifikation können vielfältig angewendet werden und ermöglichen realitätsnahe Prognosen des Tragwerksverhaltens.
Projektbezogene Publikationen (Auswahl)
- Artificial Intelligence for Identification of Material Behaviour Using Uncertain Load and Displacement Data In: Hüllermeier, E.; Link, S.; Fober, T.; Seeger, B. (eds.), Scalable Uncertainty Management, Lecture Notes in Artificial Intelligence 7520, Springer-Verlag, Berlin Heidelberg, 2012, pp. 606 – 611
Freitag, S.
(Siehe online unter https://doi.org/10.1007/978-3-642-33362-0_49) - Structural Analysis with Fuzzy Data and Neural Network Based Material Description Computer-Aided Civil and Infrastructure Engineering, 27 (9), 2012, pp. 640 – 654 Special Issue on Computational Intelligence in Structural Engineering and Mechanics
Graf, W.; Freitag, S.; Sickert, J.-U.; Kaliske, M.
(Siehe online unter https://doi.org/10.1111/j.1467-8667.2012.00779.x)
