Zpětná identifikace parametrů modelu nanoindentace

Kód výsledku v 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>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Zpětná identifikace parametrů modelu nanoindentace

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Inverse Identification of Nanoindentation Model Parameters

Popis výsledku anglicky

Identification of material parameters of a finite element nanoindentation model is discussed in this paper. Nanoindentation is a new experimental method, which allows testing properties of materials in the level of their microstructure. This testing is very expensive; hence it is useful to utilize numerical models. Then, the problem is to determine material parameters for the chosen model. A backward mode of inverse analysis is applied to determine these parameters. The methodology consists of finding an inverse relationship among outputs (load-deflection curves) and inputs of a model (material parameters). To approximate this relationship, the neural network GMDH is used. The main difficulty is the choice of appropriate inputs for the neural network training, i.e. predicative characteristics of load-deflection curves. Therefore, a stochastic sensitivity analysis is applied to analyze the correlation among geometrical characteristics of load-deflection curves and material parameters.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GD103%2F05%2FH506" target="_blank" >GD103/05/H506: Počítačová a experimentální analýza struktury a vlastností nových stavebních materiálů od nano po makroúroveň</a><br>

Návaznosti

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

Rok uplatnění

2007

Kód důvěrnosti údajů

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

Název statě ve sborníku

Juniorstav 2007 9. odborná konference doktorského studia

ISBN

80-214-3113-X

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

—

Název nakladatele

VUT FAST

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

24. 1. 2007

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—