Numerische Langzeitprognose von Veränderungen an textilverstärkten Konstruktionen (SFB 528, Teilprojekt E4)
Textilverstärkte Konstruktionen unterliegen langzeitabhängigen Veränderungen. Es ist zu klären, wie die Werkstoffveränderungen die Gebrauchstauglichkeit und die Tragfähigkeit beeinflussen.
Versuche können i.d.R. nur über - im Verhältnis zur Nutzungs- und Lebensdauer eines Bauwerkes - kurze Zeiträume durchgeführt werden.
Im Teilprojekt werden numerische Verfahren zur Langzeitprognose von Veränderungen der Werkstoffeigenschaften textilverstärkter Konstruktionen entwickelt, die auf nur mäßig langen Meßreihen basieren. Dabei wird zwischen Echtzeitdaten und zeitgerafften Daten unterschieden.
Für Echtzeitdaten, d.h. für Meßreihen, die unter natürlichen Randbedingungen aufgenommen wurden, wird ein Prognoseverfahren auf der Basis neuronaler Netze entwickelt. Netzwerktyp und Netzwerkarchitektur werden so festgelegt, daß nichtlineare zeitabhängige Meáreihen von Werkstoffeigenschaften reproduzierbar sind. Basis ist ein multi-layer perceptron-Netzwerk mit sigmoid activation functions und feed-forward-Architektur. Konstruktions- und Layoutdetails und der Arbeitsmodus werden entsprechend speziellen Erfordernissen definiert. Die Meßreihen werden zum Training der Netzwerke eingesetzt. Die trainierten Netze generieren die Prognosen dann direkt.
Für zeitgeraffte Daten, d.h. für Meáreihen, die unter künstlichen, zeitraffenden Versuchsrandbedingungen aufgenommen wurden, wird eine Lösung auf der Basis zeitraffender Verfahren mit Beschleunigungsfunktionen entwickelt. Ausgangspunkt ist die Wahrscheinlichkeitsverteilung ausgewählter Werkstoffeigenschaften unter beschleunigenden Bedingungen; sie wird aus den Meßdaten bestimmt. Gesucht ist die entsprechende Verteilung unter realen Randbedingungen. Der Zusammenhang zwischen den bekannten und gesuchten Verteilungsfunktionen wird durch Beschleunigungsfunktionen hergestellt, die sich aus Versuchsdaten schätzen lassen. Dazu werden die nur kleinen verfügbaren Stichproben mittels eines neuartigen Verfahrens in einem Preprozessor numerisch vergrößert.
Zur Analyse der gesuchten Zusammenhänge sind auch neuronale Netze vorgesehen. Sowohl neuronale Netze als auch zeitraffende Verfahren sind aufgrund ihrer mathematischen Ansätze sehr flexibel anwendbar. Sie arbeiten modellfrei und extrahieren Informationen unmittelbar aus den beobachteten Daten. Eine subjektive Modellspezifikation für konkrete Fälle ist nicht erforderlich.