Data-Driven Material Models for Engineering Materials Subjected to Arbitrary Loading Paths: Influence of the Dimension of the Dataset

Dieses Kapitel befasst sich mit der Anwendung maschineller Lerntechniken zur Erstellung datengestützter Materialmodelle, die das Verhalten technischer Materialien unter komplexen Belastungsbedingungen vorhersagen. Die Forschung konzentriert sich auf den Einfluss der Größe des Datensatzes auf die Genauigkeit neuronaler Netzwerkregressionsmodelle, wobei das entscheidende Gleichgewicht zwischen einem umfangreichen Datensatz für robustes Modelltraining und einem überschaubaren Datensatz für effiziente Verarbeitung hervorgehoben wird. Die Autoren stellen zwei verschiedene Surrogatmodelle vor, Modell I und Modell II, die die Reaktion des Materials präzise erfassen, darunter Isotropie, Symmetrie, Ertragsort und Dehnungshärtungsverhalten. Durch virtuelle Experimente zeigt die Studie, dass größere Trainingsdatensätze zu genaueren Vorhersagen führen, wobei sogar kleinere Datensätze vielversprechende Ergebnisse zeigen. Die Ergebnisse haben erhebliche Auswirkungen auf die Optimierung der Konstruktion und Leistung technischer Komponenten, insbesondere in Branchen, in denen eine Gewichtsreduzierung von entscheidender Bedeutung ist, wie der Luft- und Raumfahrt.