Metodika použití umělých neuronových sítí pro identifikaci parametrů výpočtových modelů konstrukcí

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F06%3APU65609" target="_blank" >RIV/00216305:26110/06:PU65609 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Metodika použití umělých neuronových sítí pro identifikaci parametrů výpočtových modelů konstrukcí

Popis výsledku v původním jazyce

The paper suggests a new approach of inverse analysis to obtain parameters of FEM computational model in order to obtain best agreement with experimental data. The proposed inverse analysis approach is based on coupling of FEM computational model and thestochastic training of artificial neural network. Identification parameters play the role of basic random variables with a scatter reflecting the physical range of possible values. Novelty of the approach is the utilization of efficient small-sample simulation method Latin Hypercube Sampling (LHS) used for stochastic training of neural network. Once the network is trained it represents an approximation consequently utilized in an opposite way: For given experimental data to provide the best possible set of model parameters. The approach is general and can be applied easily to any inverse problem of engineering mechanics.

Název v anglickém jazyce

Methodology of using artificial neural networks for identification of computational model parameters

Popis výsledku anglicky

The paper suggests a new approach of inverse analysis to obtain parameters of FEM computational model in order to obtain best agreement with experimental data. The proposed inverse analysis approach is based on coupling of FEM computational model and thestochastic training of artificial neural network. Identification parameters play the role of basic random variables with a scatter reflecting the physical range of possible values. Novelty of the approach is the utilization of efficient small-sample simulation method Latin Hypercube Sampling (LHS) used for stochastic training of neural network. Once the network is trained it represents an approximation consequently utilized in an opposite way: For given experimental data to provide the best possible set of model parameters. The approach is general and can be applied easily to any inverse problem of engineering mechanics.

Druh

D - Stať ve sborníku

CEP obor

JN - Stavebnictví

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2006

Kód důvěrnosti údajů

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

Název statě ve sborníku

Dynamicky namáhané konstrukce - DYNA

ISBN

80-214-3164-4

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

115-122

Název nakladatele

Neuveden

Místo vydání

Brno, ČR

Místo konání akce

Brno

Datum konání akce

11. 5. 2006

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—