Inverse Identification of Nanoindentation Model Parameters
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F07%3A01131693" target="_blank" >RIV/68407700:21110/07:01131693 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
čeština
Original language name
Zpětná identifikace parametrů modelu nanoindentace
Original language description
Článek se zabývá identifikací materiálových parametrů konečně prvkového modelu nanoindentace. Nanoindentace je relativně nová experimentální metoda, která umožňuje zkoušet fyzikální vlastnosti materiálů v měřítku mikronů, tedy na úrovni jejich mikrostruktury. Protože je tato metoda finančně náročná, je výhodné pro její analýzu a další použití získaných hodnot používat numerické modely. V tomto případě je problémem určení vstupních parametrů modelu. K určení těchto parametrů je aplikován zpětný postup inverzní analýzy, neboli snaha nalézt inverzní vztah mezi výstupy (průběh zatěžovací křivky) a vstupy modelu (materiálové parametry). Pro nalezení tohoto vztahu je použita samoorganizující se neuronová síť GMDH. Hlavní obtíží tohoto postupu je určení vhodných vstupů neuronové sítě, tedy dostatečně vypovídajících charakteristik křivek. Pro odhad závislosti mezi konkrétními charakteristikami křivek a jednotlivými parametry je použita stochastická citlivostní analýza.
Czech name
Zpětná identifikace parametrů modelu nanoindentace
Czech description
Článek se zabývá identifikací materiálových parametrů konečně prvkového modelu nanoindentace. Nanoindentace je relativně nová experimentální metoda, která umožňuje zkoušet fyzikální vlastnosti materiálů v měřítku mikronů, tedy na úrovni jejich mikrostruktury. Protože je tato metoda finančně náročná, je výhodné pro její analýzu a další použití získaných hodnot používat numerické modely. V tomto případě je problémem určení vstupních parametrů modelu. K určení těchto parametrů je aplikován zpětný postup inverzní analýzy, neboli snaha nalézt inverzní vztah mezi výstupy (průběh zatěžovací křivky) a vstupy modelu (materiálové parametry). Pro nalezení tohoto vztahu je použita samoorganizující se neuronová síť GMDH. Hlavní obtíží tohoto postupu je určení vhodných vstupů neuronové sítě, tedy dostatečně vypovídajících charakteristik křivek. Pro odhad závislosti mezi konkrétními charakteristikami křivek a jednotlivými parametry je použita stochastická citlivostní analýza.
Classification
Type
D - Article in proceedings
CEP classification
JD - Use of computers, robotics and its application
OECD FORD branch
—
Result continuities
Project
<a href="/en/project/GD103%2F05%2FH506" target="_blank" >GD103/05/H506: Computational and Experimental Analysis of Structure and Properties of New Building Materials from Nano- to Macrolevel</a><br>
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Others
Publication year
2007
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Article name in the collection
Juniorstav 2007 9. odborná konference doktorského studia
ISBN
80-214-3113-X
ISSN
—
e-ISSN
—
Number of pages
7
Pages from-to
—
Publisher name
VUT FAST
Place of publication
Brno
Event location
Brno
Event date
Jan 24, 2007
Type of event by nationality
CST - Celostátní akce
UT code for WoS article
—