Bestimmung von Materialparametern aus dem dispersiven Verhalten geführter Wellen mittels neuronaler Netze
- Damit eine Simulationsrechnung, beispielsweise mit einer FEM-Software, eine ausreichend hohe Genauigkeit erreicht, muss vorausgesetzt werden, dass die Modellparameter eine sehr hohe Güte aufweisen. Die genaue Kenntnis der Materialparameter ist dabei von besonderer Bedeutung. Um diese Parameter bestimmen zu können, müssen die verwendeten Werkstoffe messtechnisch charakterisiert werden. Neben anderen Ansätzen sind dafür akustische Verfahren im Ultraschallbereich geeignet. Für dünnwandige und plattenförmige Materialien können aus den sich ausbreitenden geführten Wellen messtechnisch Dispersionskurven bestimmt und aus diesen die Materialparameter abgeleitet werden. Da für die Signalverarbeitung und für Optimierungsaufgaben aktuell zunehmend Machine Learning Tools zum Einsatz kommen, stellt sich die Frage, ob diese Werkzeuge auch für die Ermittlung der Materialparameter aus den gemessenen Dispersionskurven eingesetzt werden können. In der vorgestellten Untersuchung soll ein ConvolutionalDamit eine Simulationsrechnung, beispielsweise mit einer FEM-Software, eine ausreichend hohe Genauigkeit erreicht, muss vorausgesetzt werden, dass die Modellparameter eine sehr hohe Güte aufweisen. Die genaue Kenntnis der Materialparameter ist dabei von besonderer Bedeutung. Um diese Parameter bestimmen zu können, müssen die verwendeten Werkstoffe messtechnisch charakterisiert werden. Neben anderen Ansätzen sind dafür akustische Verfahren im Ultraschallbereich geeignet. Für dünnwandige und plattenförmige Materialien können aus den sich ausbreitenden geführten Wellen messtechnisch Dispersionskurven bestimmt und aus diesen die Materialparameter abgeleitet werden. Da für die Signalverarbeitung und für Optimierungsaufgaben aktuell zunehmend Machine Learning Tools zum Einsatz kommen, stellt sich die Frage, ob diese Werkzeuge auch für die Ermittlung der Materialparameter aus den gemessenen Dispersionskurven eingesetzt werden können. In der vorgestellten Untersuchung soll ein Convolutional Neural Network aufgestellt werden, welches aus Dispersionsbildern Muster extrahiert und aus diesen eine Schätzung für die Materialparameter ermittelt. Um die Machbarkeit dieses Ansatzes zu prüfen, werden zunächst nur isotrope Materialien betrachtet. Für das Netz werden mit der Scaled-Boundary-Finite-Element-Methode synthetische Daten für das Trainieren und Validieren generiert. Zusätzlich werden die Hyperparameter des neuronalen Netzes variiert, um ein optimales Model für die Schätzung zu finden. Anschließend kann das Netz mit experimentellen Daten getestet und das Ergebnis hinsichtlich der Genauigkeit bewertet werden.…
Autor*innen: | Maik Lauschkin, Jannis BullingORCiD, Yevgeniya LugovtsovaORCiD, P. Wasmer, Jens PragerORCiD |
---|---|
Dokumenttyp: | Beitrag zu einem Tagungsband |
Veröffentlichungsform: | Graue Literatur |
Sprache: | Deutsch |
Titel des übergeordneten Werkes (Deutsch): | DAGA 2020 - 46. Jahrestagung für Akustik |
Jahr der Erstveröffentlichung: | 2020 |
Organisationseinheit der BAM: | 8 Zerstörungsfreie Prüfung |
8 Zerstörungsfreie Prüfung / 8.4 Akustische und elektromagnetische Verfahren | |
Verlag: | Deutsche Gesellschaft für Akustik e.V. |
Verlagsort: | Berlin |
Erste Seite: | 571 |
Letzte Seite: | 574 |
DDC-Klassifikation: | Naturwissenschaften und Mathematik / Chemie / Analytische Chemie |
Freie Schlagwörter: | Elastische Konstanten; Geführte Ultraschallwellen; Isotrope Materialien; Machinelles Lernen; Materialcharakterisierung |
Themenfelder/Aktivitätsfelder der BAM: | Chemie und Prozesstechnik |
Veranstaltung: | DAGA 2020 - 46. Jahrestagung für Akustik |
Veranstaltungsort: | Meeting was canceled |
Beginndatum der Veranstaltung: | 16.03.2020 |
Enddatum der Veranstaltung: | 19.03.2020 |
ISBN: | 978-3-939296-17-1 |
Verfügbarkeit des Dokuments: | Datei im Netzwerk der BAM verfügbar ("Closed Access") |
Datum der Freischaltung: | 13.05.2020 |
Referierte Publikation: | Nein |