Ermittlung von Materialparametern für numerische Simulationen mittels Künstlicher Intelligenz
Überblick
Die genaue Ermittlung von Materialparametern spielt eine entscheidende Rolle in der numerischen Simulation und Modellierung von Materialverhalten. Ziel ist es, durch die Anwendung von KI-Technologien, insbesondere tiefen neuronalen Netzen, eine zuverlässige Methode zur Ermittlung von Materialparametern zu entwickeln. Diese Methode soll den Aufwand für traditionelle Parameterfindungsverfahren reduzieren und die Präzision numerischer Simulationsmodelle erhöhen.
Mögliche Schwerpunkte
- Literaturrecherche: Untersuchung der neuesten Entwicklungen im Bereich der neuronalen Netze für die Prognose von Materialparametern.
- Datengenerierung: Entwicklung von Methoden zur Erstellung von generischen Materialkarten und Simulation von Zugversuchen mit unterschiedlichen Materialparametern.
- Datenverarbeitung: Automatisierung der Auswertung von simulierten Versuchen, einschließlich der Anwendung von Techniken zur Anreicherung der Datensätze mit realen Daten.
- ML-Modelltraining: Entwurf und Training von neuronalen Netzwerkmodellen zur Vorhersage von Materialparametern, einschließlich der Feinabstimmung der Hyperparameter.
- Software- und Modellentwicklung: Praktische Anwendung von Python und ML-Frameworks wie Tensorflow oder Keras.
- Anwendung und Validierung: Einsatz der entwickelten Modelle auf simulierten und realen Versuchsdaten zur Überprüfung ihrer Prognosefähigkeit.
© Sven Ellger
Research Associate
NameMr Qoutayba Abboud M.Sc.
Send encrypted email via the SecureMail portal (for TUD external users only).
Chair of Aircraft Engineering
Chair of Aircraft Engineering
Visiting address:
MAR32, 3rd floor, Room 305 Marschner Straße 32
01307 Dresden