On algorithms for identification of a neural network based model of equivalent material in real structures

• Autorzy: Pabisek E.

Warianty tytułu

PL

Hybrydowa MES/SNN identyfikacja modelu materiału ekwiwalentnego na podstawie pomiaru przemieszczeń konstrukcji

• Języki publikacji: EN

Abstrakty

EN

Neural network based material model (NMM) is discussed. NMM is formulated as an implicit model for an equivalent material of a structure, basing on displacements measured at selected points of the investigated structure. Two methods of training patterns generation were used. The "on line" autoprogressive Algorithm A and "batch mode" cumulative Algorithm B were discussed. These algorithms were modified and implemented for the pattern "on line" generation and NMM training. A plane truss, taken from, was analyzed using the incremental FE approach on the base of two stage procedure at each load incremental level, which ensures an appropriate response of the structure made of equivalent material on the base of monitored displacements. The iterative algorithms A and B enable formulation of a simple NMM which gives material identification with a great accuracy.

PL

Przedstawiono budowę i zastosowanie neuronowego modelu materiału (NMM). NMM jest sformuowany dla materiału ekwiwalentnego konstrukcji korzystając z przemieszczeń mierzonych w wybranych punktach analizowanej konstrukcji. Identyfikację NMM realizowano za pomocą dwóch algorytmów: autoprogresywnego Algorytmu A oraz kumulacyjnego Algorytmu B. Obydwa algorytmy zostały zmodyfikowane a następnie zastosowane do generowania wzorców służących do zaprojektowania i nauczenia sieci neuronowej czyli utworzenia neuronowego modelu materiału. Do analizy numerycznej wykorzystano wzorcową płaską kratownicę. NMM był formułowany w przyrostowym programie MES, podczas realizacji dwuetapowej procedury wykonywanej w czasie obliczeń dla każdego przyrostu obciążenia. Iteracyjne algorytmy A i B umożliwiają utworzenie prostych NMM, które pozwalają na identyfikację materiału z dużą dokładnością.

Słowa kluczowe

EN

material identification; neural networks; measured displacements; algorithm; material model

PL

identyfikacja materiału; algorytm; pomiar; przemieszczenie konstrukcji; model materiału; model neuronowy

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2008
• Tom: Vol. 54, nr 2
• Strony: 395--404
• Opis fizyczny: Bibliogr. 14 poz., il.

Twórcy

autor

Pabisek E.

• Institute of Computational Civil Engineering, Cracow University of Technology,

Bibliografia

• 1. T. FURUKAWA, G. YAGAWA, Implicit constitutive modeling for viscoplasticity using neural networks, Int. J. Num. Meth. Eng., 43, 195-219, 1998.
• 2. J. GHABOUSSI et al., Knowledge-based modeling of material behavior with neural networks, ASCE J. Eng. Mech., 117 132-153, 1991.
• 3. G. YAGAWA, H. OKUDA, Neural networks in computational mechanics, Archives of Comp. Methods in Eng., 4, 435-512, 1996.
• 4. Z. WASZCZYSZYN, E. PABISEK, Hybrid NN/FEM analysis of the elastoplastic plane stress problem, Comput. Assis. Mech. Eng. Sci., 6, 177-188, 1999.
• 5. L. KACZMARCZYK, Z. WASZCZYSZYN, Neural procedures for the hybrid FEM/NN analysis of elastoplastic plates, Comput. Assis. Mech. Eng. Sci., 12, 379-391, 2005.
• 6. J. GHABOUSSI et al. Autoprogressive training of neural network constitutive models, IJNME, 42, 105-126, 1998.
• 7. J. GHABOUSSI, D. E. SIDARTA, New nested adaptative neural networks (NANN)for constitutive modelling, Computer and Geotechnics, 22, l, 29-52, 1998.
• 8. H. S. SHIN, G. N. PANDE, On self-learning finite element codes based on monitored response of structure, Computer and Geotechnics, 27, 161-178, 2000.
• 9. H. S. SHIN, G. N. PANDE, Identification of elastic constants for orthotropic materials from a structural test, Computer and Geotechnics, 30, 571-577, 2004.
• 10. Y. M. HASHASH, S. JUNG, J. GHABOUSSI, Numerical implementation of a neural network based material model in finite element analysis, Int. J. Num. Meth. Eng., 59, 989-1005, 2004.
• 11. T. STRZELECKI et al., Mechanika ośrodków niejednorodnych. Teoria homogenizacji, Dolnośląskie Wydawnictwo Naukowe, 1996.
• 12. M. LEFIK, Artificial neural network as a numerical form of effective constitutive law for composites with parametrized and hierarchical microstructure, Comput. Assis. Mech. Eng. Sci., 12, 183-194, 2005.
• 13. Z. WASZCZYSZYN, Cz. CICHOŃ, M. RADWAŃSKA, Stability of Structure s by Finite Element Method, Elsevier, Amsterdam-Tokyo 1994.
• 14. H. DEMUTH, M. BCALE, Neural Network Toolbox for Use with MATLAB, The Math Works Inc., Natick, MA 01760-2098, 1998.