Prediction of Eshelby's Inclusion Problem Solution Using Artificial Neural Network

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F14%3A00219897" target="_blank" >RIV/68407700:21110/14:00219897 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Prediction of Eshelby's Inclusion Problem Solution Using Artificial Neural Network

Popis výsledku v původním jazyce

In this contribution we present our new approach to obtain or better estimate mechanical fields (strain, stress and displacement) inside isotropic infinite body with ellipsoidal-like inclusions. The precise solution has been given by J. D. Eshelby (1957)to internal and external points of inclusion domains and form the basis of our work. When the Eshelby?s solution is extended to take into account perturbations due to the presence of numerous adjacent inclusions (Novák et al., 2012 & Oberrecht et al., 2013) the solution given for dozens of points is very time demanding. Utilizing Artificial Neural Network (ANN) trained by exact Eshelby?s solutions to predict mechanical fields can be achieved considerable speedup at the cost of approximate solution. Atthis state we only focus on prediction of one component of a perturbation strain tensor for single ellipsoidal inclusion.

Název v anglickém jazyce

Prediction of Eshelby's Inclusion Problem Solution Using Artificial Neural Network

Popis výsledku anglicky

In this contribution we present our new approach to obtain or better estimate mechanical fields (strain, stress and displacement) inside isotropic infinite body with ellipsoidal-like inclusions. The precise solution has been given by J. D. Eshelby (1957)to internal and external points of inclusion domains and form the basis of our work. When the Eshelby?s solution is extended to take into account perturbations due to the presence of numerous adjacent inclusions (Novák et al., 2012 & Oberrecht et al., 2013) the solution given for dozens of points is very time demanding. Utilizing Artificial Neural Network (ANN) trained by exact Eshelby?s solutions to predict mechanical fields can be achieved considerable speedup at the cost of approximate solution. Atthis state we only focus on prediction of one component of a perturbation strain tensor for single ellipsoidal inclusion.

Druh

D - Stať ve sborníku

CEP obor

JI - Kompositní materiály

OECD FORD obor

—

Projekt

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

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název statě ve sborníku

20 th International Conference Engineering Mechanics 2014

ISBN

978-80-214-4871-1

ISSN

1805-8248

e-ISSN

—

Počet stran výsledku

4

Strana od-do

752-755

Název nakladatele

Brno University of Technology

Místo vydání

Brno

Místo konání akce

Svratka

Datum konání akce

12. 5. 2014

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—