Kwantificeren van polymorfe random veld onzekerheid in eindige-elementenmodellen op basis van Digital Image Correlation (DIC)

Het doel van dit doctoraat is het ontwikkelen van een inverse methode voor de kwantificering van onnauwkeurige random velden, gebaseerd op full-field rekmetingen (Digital Image Correlation (DIC)). Een physics-informed deep-learning architectuur (bijv. een intelligente combinatie van een convolutionele/recurrente neurale netwerken of een diep Gaussiaans proces met de heersende fysieke vergelijkingen) wordt getraind om onnauwkeurige random-field descriptors (covariantiefunctie of spectrale vermogensdichtheid) te voorspellen, gebaseerd op een set van verplaatsings- en rekvelden verkregen via DIC, de geldende onderliggende differentiaalvergelijkingen en voorkennis van experts. Om deze physics-informed deep-learning architectuur te trainen, wordt een vooraf gedefinieerde set geparametriseerde willekeurige velddescriptoren gepropageerd (bijv. door de correlatielengte in een Gauss-covariantiefunctie te bemonsteren) naar resulterende spanningsvelden via een numeriek model van de structuur en een recent geïntroduceerde DIC-simulator. Om de training van de deep-learning-architectuur te beperken, worden niet-lineaire veelvoudige leertechnieken zoals Kernel-PCA, lokale lineaire inbedding of de recent geïntroduceerde supervisie-reductietechnieken gebruikt om de hoogdimensionale (> 100.000 vrijheidsgraden) rekgegevens te verwerken en een lager-dimensionale representatie te identificeren.