Reduzierung des experimentellen Versuchsaufwandes durch künstlich neuronale Netze

Diese Arbeit beschäftigt sich mit den zwei möglichen Varianten zur Bestimmung des zyklischen Werkstoffverhaltens, welches entweder aus experimentellen Versuchen oder durch Abschätzungsmethoden ermittelt werden kann. Die Überprüfung der vorhandenen Methoden zur Auswertung dehnungsgeregelter Versuche, um die zyklischen Kennwerte der Dehnungswöhlerlinie nach Manson-Coffin-Basquin und der Spannungs-Dehnungs-Kurve nach Ramberg-Osgood zu bestimmen, hat gezeigt, dass die Kompatibilitätsbedingungen, welche zwischen beiden Kurven bestehen, entweder nicht berücksichtigt oder nicht angewandt werden. Somit ist es von essentieller Bedeutung, eine Lösung für eine kompatible, physikalisch richtige Auswertmethode zu erarbeiten. Daraus entstand die so genannte 3D-Methode, bei der die zyklischen Versuchsergebnisse in einem 3D-Raum mit den Achsen Spannung, Dehnung und Schwingspielzahl dargestellt und mit genau einer Regressionsgeraden beschrieben werden. Mit den Erkenntnissen aus den Auswertungen der experimentellen Versuche war es möglich, die hier angewandte Methode der künstlich neuronalen Netze als Abschätzungsmethode auch in geeigneter Weise zu bewerten. Die Zielsetzung war, die zyklischen Kennwerte mittels künstlich neuronaler Netze (KNN) abzuschätzen und dabei kleinere Abweichungen der Kennwerte aus dem KNN zu experimentell ermittelten Kennwerten zu erzielen, als durch die unterschiedlichen Auswert-methoden entstehen. Um dies zu erreichen, sind zwei Konzepte verfolgt worden: - künstlich neuronale Netze ohne Versuchsunterstützung - künstlich neuronale Netze mit Versuchsunterstützung Das vorgesetzte Ziel, mit dem künstlich neuronalen Netz (KNN) eine kleinere Abweichung als mit vorhandenen Auswertmethoden zu erzielen, wurde in fast allen Fällen erreicht und die Ursachen und die Gründe für Abweichungen ermittelt und erläutert.