Identification of Uncertain Dependencies with Methods of Artificial Intelligence for Prediction of Static and Dynamic Structural Behaviour

• Applicant: Professor Dr.-Ing. Steffen Freitag
• Subject Area: Applied Mechanics, Statics and Dynamics
• Term: from 2011 to 2014
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 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 Programme: Research Fellowships
• International Connection: USA
• Host: Professor Rafi L. Muhanna, Ph.D.