Parameter identification approaches with application to different classes of materials
| dc.contributor.advisor | Menzel, Andreas | |
| dc.contributor.author | Schulte, Robin | |
| dc.contributor.referee | Kiefer, Björn | |
| dc.date.accepted | 2023-10-27 | |
| dc.date.accessioned | 2024-02-15T08:56:43Z | |
| dc.date.available | 2024-02-15T08:56:43Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Die vorliegende Arbeit befasst sich mit verschiedenen Strategien der Parameteridentifikation bezüglich der multi-objektiven Optimierung unter Berücksichtigung von integralen Größen und Feldgrößen, um effizient Parameter von komplexen Materialmodellen zu identifizieren, wie beispielsweise Gradienten-erweiterte Schädigungsmodelle. Außerdem wird eine hybride Strategie entwickelt, um die Problematik der Bestimmung von adequaten Startwerten zu überwinden. Zu diesem Zweck wird ein künstliches neuronales Netz mit den simulierten Materialverhalten von diversen Parameterkombinationen trainiert. Anschließend wird die experimentell gemessene Materialantwort in das Netz eingegeben um eine Vorhersage der Parameter zu erhalten, die im Anschluss als qualitativ hochwertiger Startwert für eine multi-objektive Parameteridentifikation verwendet wird. In dieser Arbeit werden die hybride und die weiteren Strategien untersucht unter der Verwendung von verschiedener komplexer Materialmodelle und diverser Gruppen von Materialien. Zusätzlich wird ein Gradienten-erweitertes, mit Viskoelastizität unter finiter Dehnung gekoppeltes Schädigungsmodel entwickelt um effizient Schädigungseffekte in ratenabhängigen Materialien abzudecken. Des Weiteren wird im Kontext eines Laminat-basierenden Modells für ferroelektrische Materialien eine numerische Untersuchung bezüglich numerisch effizienter Fischer-Burmeister Ansätze durchgeführt, um die häufig auftretenden Karush-Kuhn-Tucker Konditionen zu lösen. | de |
| dc.description.abstract | This thesis deals with different parameter identification strategies regarding multi-objective optimisations including integral and field data in order to efficiently identify parameters of complex material models, e.g.~gradient-enhanced damage models. In addition, to overcome the difficulty of finding appropriate starting values, a hybrid strategy is developed. For this purpose, an artificial neural network is trained with simulated material behaviours of various parameter combinations. Subsequently, the experimentally measured response is fed into the network to obtain a parameter prediction which is afterwards employed as qualitative starting value for a subsequent multi-objective parameter identification. In this work, the hybrid and the other strategies are investigated by employing different complex material models and various material groups. Moreover, a gradient-enhanced damage model coupled to finite strain viscoelasticity is developed to efficiently cover damage effects in rate-dependent material responses. Furthermore, in the context of a laminate-based model for ferroelectric materials, a numerical investigation is performed regarding numerically efficient Fischer-Burmeister approaches, to solve the frequently occurring Karush-Kuhn-Tucker conditions. | en |
| dc.identifier.uri | http://hdl.handle.net/2003/42331 | |
| dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-24168 | |
| dc.language.iso | en | de |
| dc.relation.ispartofseries | Schriftenreihe des Intituts für Mechanik; | |
| dc.subject | Parameter identification | de |
| dc.subject | Artificial neural networks | en |
| dc.subject | Hybrid strategy | en |
| dc.subject | Ferroelectric materials | en |
| dc.subject | Fischer-Burmeister NCP funktions | en |
| dc.subject | Gradient-enhanced ductile damage | en |
| dc.subject | Finite element method | en |
| dc.subject.ddc | 620 | |
| dc.subject.ddc | 670 | |
| dc.subject.rswk | Künstliche Intelligenz | de |
| dc.subject.rswk | Neuronales Netz | de |
| dc.subject.rswk | Finite-Elemente-Methode | de |
| dc.subject.rswk | Parameteridentifikation | de |
| dc.subject.rswk | Schädigung | de |
| dc.title | Parameter identification approaches with application to different classes of materials | en |
| dc.type | Text | de |
| dc.type.publicationtype | PhDThesis | de |
| dcterms.accessRights | open access | |
| eldorado.secondarypublication | false | de |