Einfluss der Versuchsunterstützung auf die Abschätzungsgenauigkeit mittels künstlich neuronaler Netze

Suitable methods and transferability criteria and knowledge of the cyclic material behaviour is essential for a durable design of a component. For this reason, the cyclic material parameters are determined as a function of the product's properties (level of deformation, microstructure, surface finish, residual stresses) and different loading parameters. However, since the determination of the cyclic parameters is associated with considerable experimental effort and costs, a cost‐effective and easy method is sought to determine these parameters. A very promising approach for this is the application of artificial neural networks (ANN) since they have the ability to generate the influences on the fatigue strength from the manufacturing and environmental parameters using sensibly selected input parameters. They offer the possibility to access acquired knowledge and to thus construct a multidimensional map based on a few tests. By combining a few experimental tests with the ANN, the result of the estimation can be improved and the experimental effort can be reduced.     

Das ANSLC Programm zur Abschätzung zyklischer Werkstoffkennwerte

Die betriebsfeste Auslegung von spaltprofilierten Blechbauteilen erfordert geeignete Methoden und Übertragbarkeitskriterien, die für verzweigte Strukturen noch nicht zu Verfügung stehen. Wesentlich hierfür sind die Kenntnisse über das zyklische Werkstoffverhalten. Aus diesem Grund werden die zyklischen Werkstoffkennwerte in Abhängigkeit der Produkteigenschaften (Umformgrad, Gefüge, Oberflächenrauhigkeit, Eigenspannungen) und unterschiedlichen Belastungsparametern ermittelt. Da jedoch die Ermittlung der zyklischen Kennwerte mit hohen Versuchaufwand und Kosten verbunden ist, wird nach Methoden gesucht, diese kostengünstig und schnell zu bestimmen. Ein viel versprechender Ansatz hierfür ist der Einsatz von künstlichen Neuronalen Netzen (KNN) [1, 2, 3, 4, 5], da sie in der Lage sind, die Einflüsse aus Fertigungs‐ und Umweltparametern auf die Schwingfestigkeit aus sinnvoll gewählten Eingangsparametern zu generieren. Sie bieten die Möglichkeit, auf erlerntes Wissen zurückzugreifen und somit, auf Basis weniger Versuche ein mehrdimensionales Kennfeld zu erstellen.     

Einfluss der Netztopologie der künstlich neuronalen Netze auf das Ergebnis der Abschätzung zyklischer Kennwerte

Several estimation methods have been developed to estimate the cyclic material parameters out of the static material properties. Most of these methods are based on empirical equations. Increasing numbers of input‐ and influencing parameters lead to an rising effort for determining these equations and the accuracy decreases. For this reason new suitable methods are sought to estimate the cyclic material behaviour. A very promising approach is the application of the artificial neural networks, which can derive self‐depended a relationship between in‐ and output parameters. Static parameters such as yield strength, tensile strength …? etc., which can rapidly be determined used as input parameters. The output parameters are the cyclic material parameters of the strain‐life curve and stress‐strain curve according to the Manson‐Coffin‐Basquin‐ and Ramberg‐Osgood curve. Many different artificial neural networks with different structures and complexity can be applied. In this paper the influence of the topology of an artificial neural network on the estimation accuracy will be investigated. Based on the results of a reference artificial neural network it will be shown, that more complex topologies in the network do not lead inevitably to better estimations.