Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Einfluss der Netztopologie der künstlich neuronalen Netze auf das Ergebnis der Abschätzung zyklischer Kennwerte

Influence of the topology of an artificial neural network on the results for estimating the cyclic material properties
 
: Dsoki, C. el; Lohmann, F.; Hanselka, H.; Kaufmann, H.

:

Materialwissenschaft und Werkstofftechnik 43 (2012), Nr.8, S.681-686
ISSN: 0933-5137
Deutsch
Zeitschriftenaufsatz
Fraunhofer LBF ()

Abstract
Zur Abschätzung der Lebensdauer von zyklisch belasteten Bauteilen anhand statischer Werkstoffkennwerte existieren zahlreiche Abschätzungsverfahren, die größtenteils auf empirischen Gleichungen beruhen. Mit zunehmender Anzahl der Eingabe- und Einflussparameter steigt auch der Aufwand zur Ableitung dieser Gleichungen und die Abschätzungsgenauigkeit sinkt. Daher wurde nach neuartigen Methoden gesucht, um die zyklischen Kennwerte zuverlässig abschätzen zu können. Ein vielversprechender Ansatz ist mit den künstlich neuronalen Netzen gefunden worden, welche den Zusammenhang zwischen Eingangsparametern und Ausgabeparametern selbst erschließen können. Als Eingangsparameter kommen die statischen Kennwerte der zu untersuchenden Werkstoffe zum Einsatz, da diese gegenüber den zyklischen schneller und kostengünstiger zu ermitteln sind. Als Ausgabegrößen werden die zyklischen Kennwerte der Ramberg-Osgood- und der Manson-Coffin-Basquin-Gleichung abgeschätzt. Die künstlich neuronalen Netze können dabei sehr unterschiedlich und beliebig komplex aufgebaut sein. In dieser Arbeit wird der Einfluss der Verknüpfungen der Neuronen untereinander, der sogenannten Topologie, auf die Abschätzungsgüte der künstlich neuronalen Netze untersucht. Ausgehend von einem Referenzfall wird gezeigt, dass komplexere Topologien demgegenüber nicht die gewünschten Verbesserungen bei der Abschätzung der zyklischen Kennwerte erzielen.

 

Several estimation methods have been developed to estimate the cyclic material parameters out of the static material properties. Most of these methods are based on empirical equations. Increasing numbers of input- and influencing parameters lead to an rising effort for determining these equations and the accuracy decreases. For this reason new suitable methods are sought to estimate the cyclic material behaviour. A very promising approach is the application of the artificial neural networks, which can derive self-depended a relationship between in-and output parameters. Static parameters such as yield strength, tensile strength. etc., which can rapidly be determined used as input parameters. The output parameters are the cyclic material parameters of the strain-life curve and stress-strain curve according to the Manson-Coffin-Basquinand Ramberg-Osgood curve. Many different artificial neural networks with different structures and complexity can be applied. In this paper the influence of the topology of an artificial neural network on the estimation accuracy will be investigated. Based on the results of a reference artificial neural network it will be shown, that more complex topologies in the network do not lead inevitably to better estimations.

: http://publica.fraunhofer.de/dokumente/N-217049.html