Hybrid, finite element-artificial neural network model for composite materials.

Uproszczony widok
dc.contributor.authorLefik, Marek
dc.date.accessioned2015-11-26T08:27:53Z
dc.date.available2015-11-26T08:27:53Z
dc.date.issued2004
dc.description.abstractAn application of Artificial Neural Networks for a definition of the effective constitutive law for a composite is described in the paper. First, a classical homogenisation procedure is directly interpreted with a use of this numerical tool. Next, a self-learning Finite Element code (FE with ANN inside) is used in the case when the effective constitutive law is deduced from a numerical experiment (substituting here a purely phenomenological approach). The new contribution to the classical self-learning procedure consists of its adaptation to a case of a non-monotonic loading (non-to-one load-deformation curve). This new ability of the method is principally due to the incremental form of the constitutive equation and the respective scheme of the neural network structure. Also an organisation of a constitutive data-base containing learning patterns is suitably modified. It is shown by examples that the training process is very quick. The error of this method is smaller, comparing to other schemes of data acquisition.en_EN
dc.description.abstractW artykule opisano zastosowanie sztucznych sieci neuronowych do określenia efektywnego związku konstytutywnego dla kompozytów. To narzędzie numeryczne użyte zostało dwojako: do bezpośredniego zapisu wyników otrzymanych w ramach klasycznej metody homogenizacji oraz do wnioskowania o własnościach efektywnych na podstawie eksperymentu numerycznego (zastępującego eksperyment rzeczywisty) wykonanego na małej, lecz reprezentatywnej próbce kompozytu. W tym drugim przypadku zastosowano schemat "samouczącego się" programu metody elementów skończonych, w którym związek konstytutywny opisany jest siecią neuronową. Schemat ten zaadaptowano tak, że może być użyty w przypadku obciążeń niemonotonicznych oraz wtedy, gdy zależność: miara odkształcenia-miara naprężenia nie jest wzajemnie jednoznaczna. Te nowe możliwości uzyskane zostały dzięki przedstawieniu związku konstytutywnego w formie przyrostowej oraz opracowania odpowiedniej do tego budowy sieci neuronowej. Schemat "samouczącego się" programu MES charakteryzuje się tym, że proces formułowania nieznanego związku konstytutywnego jest szybki, a zgodność modelu numerycznego z eksperymentem większa niż dla innych metod.pl_PL
dc.identifier.citationJournal of Theoretical and Applied Mechanics, 2004 Vol.42 nr 3 s.539-563, streszcz.
dc.identifier.issn1429-2955
dc.identifier.other296
dc.identifier.urihttp://hdl.handle.net/11652/890
dc.language.isoen
dc.publisherPolskie Towarzystwo Mechaniki Teoretycznej i Stosowanej
dc.relation.ispartofseriesJournal of Theoretical and Applied Mechanics, 2004 Vol.42 nr 3en_EN
dc.subjectArtifical Neural Networksen_EN
dc.subjectcomposite materialsen_EN
dc.subjectself-learning FE methoden_EN
dc.subjectsztuczne sieci neuronowepl_PL
dc.subjectmodelowanie numerycznepl_PL
dc.subjectkompozytypl_PL
dc.subjectmetoda elementów skończonychpl_PL
dc.subjectmetoda homogenizacjipl_PL
dc.subjectschemta”samouczącego się”programupl_PL
dc.subjectprogram MESpl_PL
dc.titleHybrid, finite element-artificial neural network model for composite materials.
dc.title.alternativeZastosowanie sztucznych sieci neuronowych w modelowaniu numerycznym kompozytów przy pomocy metody elementów skończonych.
dc.typeArtykuł

Pliki

Oryginalne pliki
Teraz wyświetlane 1 - 1 z 1
Brak miniatury
Nazwa:
Hybrid_finite_element_Lefik_2004.pdf
Rozmiar:
1.59 MB
Format:
Adobe Portable Document Format
Opis:
Pobierz

Kolekcje

Artykuły (WM)