Inverse Identification of Nanoindentation Model Parameters

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

—

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.

Type

D - Article in proceedings

CEP classification

JD - Use of computers, robotics and its application

OECD FORD branch

—

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)

Publication year

2007

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

—