Filtern
Dokumenttyp
- Beitrag zu einem Tagungsband (1)
- Vortrag (1)
Referierte Publikation
- nein (2)
Schlagworte
- Elastische Konstanten (2) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (1)
Detaillierte Kenntnisse der elastischen Materialeigenschaften sind in vielen ingenieurtechnischen Bereichen von grundlegender Bedeutung. Insbesondere für die Anwendung von Predictive Maintenance und Structural- Health-Monitoring Methoden mit Ultraschall ist die genaue Kenntnis der elastischen Materialkonstanten eine Grundvoraussetzung. Die von den Herstellern zur Verfügung gestellten Angaben zu den elastischen Materialkonstanten, insbesondere für Polymere und faserverstärkte Kunststoffe, sind jedoch oft unzureichend, da diese vom Produktionsprozess abhängig sind und sich zusätzlich aufgrund von Materialabbauprozessen oder Ermüdung ändern können. In der Praxis liegen polymere Werkstoffe, faserverstärkte Kunststoffe und Metalle oft als dünne, plattenförmige Strukturen vor, in welchen sich geführte Ultraschallwellen (UGWs) ausbreiten können. In der aktuellen Forschung sind bereits verschiedene Neuronale Modelle zur Bestimmung der elastischen Konstanten und der Materialcharakterisierung mittels UGWs bekannt. Ein einfaches neuronales Netz, mit aus Dispersionsbildern extrahierten Werten für Frequenz und Wellenzahl ausbeutungsfähiger Moden als Eingabe, zur Vorhersage der elastischen Konstanten wird in verwendet. Ein rekurrentes Neuronales Netz mit einem Zeit-Frequenz Vektor als Eingabe wird in angewandt, während in ein 1D- Convolutional-Neuronal-Networks (CNN) unter Verwendung der zeitlichen Auslenkung der Grundmoden und in ein 2D-CNN unter Verwendung einer polaren Gruppengeschwindigkeitsdarstellung zur Bestimmung der elastischen Konstanten verwendet wird. In diesem Vortrag wird ein Ansatz zur Bestimmung der isotropen elastischen Konstanten von dünnen Platten auf der Grundlage von UGWs unter Verwendung von Dispersionsbildern und 2D-CNNs vorgestellt. Dispersionsabbildungen aus numerischen Simulationen werden mithilfe verschiedener Methoden vorverarbeitet, um realistische Messdaten zu simulieren. Mit den modifizierten Daten wird das Modell trainiert und die Architektur optimiert. Anschließend wird die Genauigkeit des erzeugten Modells mit realen Messdaten validiert. Es wird gezeigt, dass 2D-CNNs in der Lage sind, die isotropen elastischen Konstanten anhand multimodaler Merkmale aus Dispersionsbildern vorherzusagen, ohne dass eine anfängliche Schätzung der Parameter oder manuelle Merkmalsextraktion erforderlich ist.
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 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.