Lefik, Marek2015-11-262015-11-262004Journal of Theoretical and Applied Mechanics, 2004 Vol.42 nr 3 s.539-563, streszcz.1429-2955296http://hdl.handle.net/11652/890An 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.W 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.enArtifical Neural Networkscomposite materialsself-learning FE methodsztuczne sieci neuronowemodelowanie numerycznekompozytymetoda elementów skończonychmetoda homogenizacjischemta”samouczącego się”programuprogram MESArtykuł