Vše
Vše

Co hledáte?

Vše
Projekty
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Metody umělých inteligencí při řešení inverzní analýzy. II: identifikace parametrů mikroploškového modelu

Popis výsledku

V tomto článku je ukázána nová metoda identifikace parametrů modelu microplane založená na vrstevnaté dopředné neuronové síti. Tato metoda je příkladem inverzního postupu inverzní analýzy, který je popsán v části I tohoto příspěvku. Novinkou je použití citlivostní analýzy pro zjištění vlivu jednotlivých parametrů modelu na chování konstrukce, metody Latin Hypercube Sampling při přípravě trénovacích dat pro neuronovou síť a genetický algoritmus SADE použitý pro její trénování. Výhody a nevýhody navrženého postupu jsou zároveň s možnými rozšířeními také podrobně diskutovány.

Klíčová slova

genetic algorithmsmicroplane modelneural networksparameter identificationsensitivity analysis

Identifikátory výsledku

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Soft-computing Methods in Inverse Analysis. II: Microplane Model Parameters Identification

  • Popis výsledku v původním jazyce

    A new procedure based on layered feedforward neural networks for the microplane material model parameters identification is proposed in the present paper. It is based on the inverse mode of inverse analysis presented in the Part I. Novelties are usage ofthe Latin Hypercube Sampling method for the generation of training sets, a sensitivity analysis and a genetic algorithm-based training of a neural network by an evolutionary algorithm. Advantages and disadvantages of this approach together with possibleextensions are thoroughly discussed and analyzed.

  • Název v anglickém jazyce

    Soft-computing Methods in Inverse Analysis. II: Microplane Model Parameters Identification

  • Popis výsledku anglicky

    A new procedure based on layered feedforward neural networks for the microplane material model parameters identification is proposed in the present paper. It is based on the inverse mode of inverse analysis presented in the Part I. Novelties are usage ofthe Latin Hypercube Sampling method for the generation of training sets, a sensitivity analysis and a genetic algorithm-based training of a neural network by an evolutionary algorithm. Advantages and disadvantages of this approach together with possibleextensions are thoroughly discussed and analyzed.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JD - Využití počítačů, robotika a její aplikace

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2007

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Inverse Problems, Design and Optimization (IPDO-2007) Volume I

  • ISBN

    978-1-59916-279-9

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    8

  • Strana od-do

    245-252

  • Název nakladatele

    Florida International University

  • Místo vydání

    Miami

  • Místo konání akce

    Miami

  • Datum konání akce

    16. 4. 2007

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

Základní informace

Druh výsledku

D - Stať ve sborníku

D

CEP

JD - Využití počítačů, robotika a její aplikace

Rok uplatnění

2007