Materialmodellierung
Unter dynamischen Einwirkungen wird das Tragwerksverhalten insbesondere durch die Materialdämpfung beeinflusst. Zur mathematischen Abbildung dieser komplexen Effekte werden anspruchsvolle Modelle benötigt. Dabei müssen zahlreiche Parameter aus experimentellen Daten erfasst und an die Anforderungen der Modelle kalibriert werden. Die Modellkomplexität und die hohe Anzahl an Parametern erfordern effiziente Methoden. Um diese Herausforderung zu bewältigen, setzen wir künstliche neuronale Netze ein, die das superelastische Verhalten von Formgedächtnislegierungen modellieren und die notwendigen Parameter aus experimentellen Daten identifizieren können.
Architektur eines Deep-Operator-Netzes zur Ermittlung des Martensitgehalts sowie der Spannungsverläufe einer Formgedächtnislegierung in Abhängigkeit von Dehnung und Zeit.
Lenzen N, Altay O (2024). Physics-informed deep operator network for predicting martensite evolution in superelastic shape memory alloys through cyclic tensile tests. Smart Materials and Structures. 33(6):065039. https://doi.org/10.1088/1361-665x/ad4d39