Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Einfluss der Versuchsunterstützung auf die Abschätzungsgenauigkeit mittels künstlich neuronaler Netze

Influence of an experimental support on the estimation accuracy with artificial neural network
 
: Dsoki, Chalid el; Tomasella, Alessio; Hanselka, Holger; Kaufmann, Heinz

:

Materialwissenschaft und Werkstofftechnik 43 (2012), Nr.6, S.544-552
ISSN: 0933-5137
Deutsch
Zeitschriftenaufsatz
Fraunhofer LBF ()
neuronales Netz; Abschätzungsgenauigkeit; Versuchsunterstützung

Abstract
Wesentlich für die betriebsfeste Auslegung von Bauteilen sind geeignete Methoden und Übertragbarkeitskriterien sowie die Kenntnisse über das zyklische Werkstoffverhalten. Aus diesem Grund werden die zyklischen Werkstoffkennwerte in Abhängigkeit der Produkteigenschaften (Umformgrad, Gefüge, Oberflächenrauhigkeit, Eigenspannungen) und unterschiedlichen Belastungsparametern ermittelt. Da jedoch die Ermittlung der zyklischen Kennwerte mit hohen Versuchsaufwand und Kosten verbunden ist, wird nach Methoden gesucht, diese kostengünstig und schnell zu bestimmen. Ein viel versprechender Ansatz hierfür ist der Einsatz von künstlichen neuronalen Netzen (KNN), da sie in der Lage sind, die Einflüsse aus Fertigungs- und Umweltparametern auf die Schwingfestigkeit aus sinnvoll gewählten Eingangsparametern zu generieren. Sie bieten die Möglichkeit, auf erlerntes Wissen zurückzugreifen und somit, auf Basis weniger Versuche ein mehrdimensionales Kennfeld zu erstellen. Durch eine Kombination aus wenigen experimentellen Versuchen und dem künstlich neuronalen Netz kann die Treffsicherheit der Abschätzung erhöht und der erforderliche experimentelle Aufwand reduziert werden.

 

Suitable methods and transferability criteria and knowledge of the cyclic material behaviour is essential for a durable design of a component. For this reason, the cyclic material parameters are determined as a function of the product's properties (level of deformation, microstructure, surface finish, residual stresses) and different loading parameters. However, since the determination of the cyclic parameters is associated with considerable experimental effort and costs, a cost-effective and easy method is sought to determine these parameters. A very promising approach for this is the application of artificial neural networks (ANN) since they have the ability to generate the influences on the fatigue strength from the manufacturing and environmental parameters using sensibly selected input parameters. They offer the possibility to access acquired knowledge and to thus construct a multidimensional map based on a few tests. By combining a few experimental tests with the ANN, the result of the estimation can be improved and the experimental effort can be reduced.

: http://publica.fraunhofer.de/dokumente/N-211660.html