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
Kód výsledku v IS VaVaI
Výsledek na webu
—
DOI - Digital Object Identifier
—
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
CEP
JD - Využití počítačů, robotika a její aplikace
Rok uplatnění
2007