< Terug naar vorige pagina

Project

Data-gedreven modelinclusie in fysisch-gebaseerde mechanische modellen.

Data-gedreven machine learning methodes hebben de laatste jaren een sterke opmars gekend voor het modelleren van mechanische systeemdynamica. Deze methodes vereisen over het algemeen echter zeer veel data, die in de praktijk vaak niet beschikbaar is, en maken geen gebruik van de kennis uit het fysisch-gebaseerde modelleren van mechanische systemen. Daarnaast hebben een aantal onderzoekers ook al eerste stappen gezet in het gebruik van bijvoorbeeld neurale netwerken (éénlagige perceptrons) om het constitutief materiaalgedrag te beschrijven in mechanische modellen, zonder echter de identificatie van deze modellen uit experimenten te behandelen. In dit project willen we een conceptstudie uitvoeren voor het geïntegreerde gebruik van mechanische eindige-elementenmodellen met data-gedreven constitutieve wetten. We willen hierbij specifiek kijken naar hoe niet-lineaire modelreductie gebruikt kan worden om een efficiënte inverse analyse uit te voeren om de constitutieve modelparameters te bepalen uit experimentele data.
Datum:29 jan 2019 →  30 sep 2020
Trefwoorden:mechanical model
Disciplines:Numerieke modellering en design