Datengetriebene Bauwerksmodellierung
Während der Planungsphase filigraner Bauwerke wie Hochhäusern, Windenergieanlagen und Brücken ist eine Optimierung ihrer dynamischen Tragwerkseigenschaften mittels rechnerbasierter Modelle unerlässlich. Um den hohen Rechenaufwand dieser Modelle zu reduzieren, bieten sich Ersatzmodelle an, die das für die Untersuchung relevante Verhalten von Bauwerken oder deren Komponenten mit ausreichender Genauigkeit erfassen und dabei irrelevante Details aussparen. Beispielsweise bieten künstliche neuronale Netze hierfür vielversprechende datenbasierte Ansätze. Diese Techniken erfordern jedoch generell eine hohe Anzahl und Qualität von Daten, was insbesondere im Bereich des Bauingenieurwesens eine komplexe Herausforderung darstellt. Daher erforschen wir neuartige Lösungsmethoden, wie aktive Lernmethoden, die mithilfe von Optimierungsalgorithmen Daten adaptiv und effizienter erheben können.
(a) Genauigkeit des datengetriebenen Modells eines nichtlinearen Einmassenschwingers nach dem Training mit Daten, die unter unterschiedlichen experimentellen Bedingungen ermittelt wurden. Die entwickelte aktive Lernmethode identifiziert die für das Modell optimalen experimentellen Bedingungen anhand weniger Datenerhebungen. (b) Modellergebnis nach der Datenerhebung mit der Sobol-Methode. (c) Ein besseres Modellergebnis wird mit der entwickelten Methode erreicht.
Milicevic P, Altay O (2024). Data generation framework for inverse modeling of nonlinear systems in structural dynamics applications. Acta Mechanica. 235(3):1493-1515. https://doi.org/10.1007/s00707-023-03532-
DFG-Projekt: Datenbasierte nichtlineare Modellierung und Regelung von Bauwerken