The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 47 of 48
Back to Result List

Neural networks in a multiscale approach for concrete

  • From a macroscopic point of view, failure within concrete structures is characterized by the initiation and propagation of cracks. In the first part of the thesis, a methodology for macroscopic crack growth simulations for concrete structures using a cohesive discrete crack approach based on the extended finite element method is introduced. Particular attention is turned to the investigation ofFrom a macroscopic point of view, failure within concrete structures is characterized by the initiation and propagation of cracks. In the first part of the thesis, a methodology for macroscopic crack growth simulations for concrete structures using a cohesive discrete crack approach based on the extended finite element method is introduced. Particular attention is turned to the investigation of criteria for crack initiation and crack growth. A drawback of the macroscopic simulation is that the real physical phenomena leading to the nonlinear behavior are only modeled phenomenologically. For concrete, the nonlinear behavior is characterized by the initiation of microcracks which coalesce into macroscopic cracks. In order to obtain a higher resolution of this failure zones, a mesoscale model for concrete is developed that models particles, mortar matrix and the interfacial transition zone (ITZ) explicitly. The essential features are a representation of particles using a prescribed grading curve, a material formulation based on a cohesive approach for the ITZ and a combined model with damage and plasticity for the mortar matrix. Compared to numerical simulations, the response of real structures exhibits a stochastic scatter. This is e.g. due to the intrinsic heterogeneities of the structure. For mesoscale models, these intrinsic heterogeneities are simulated by using a random distribution of particles and by a simulation of spatially variable material parameters using random fields. There are two major problems related to numerical simulations on the mesoscale. First of all, the material parameters for the constitutive description of the materials are often difficult to measure directly. In order to estimate material parameters from macroscopic experiments, a parameter identification procedure based on Bayesian neural networks is developed which is universally applicable to any parameter identification problem in numerical simulations based on experimental results. This approach offers information about the most probable set of material parameters based on experimental data and information about the accuracy of the estimate. Consequently, this approach can be used a priori to determine a set of experiments to be carried out in order to fit the parameters of a numerical model to experimental data. The second problem is the computational effort required for mesoscale simulations of a full macroscopic structure. For this purpose, a coupling between mesoscale and macroscale model is developed. Representative mesoscale simulations are used to train a metamodel that is finally used as a constitutive model in a macroscopic simulation. Special focus is placed on the ability of appropriately simulating unloading.show moreshow less
  • Makroskopisch betrachtet kann das Versagen von Beton durch die Entstehung und das Wachstum von Rissen beschrieben werden. Im ersten Teil der Arbeit wird eine Methode zur Simulation der makroskopischen Rissentwicklung von Beton unter Verwendung von kohäsiven diskreten Rissen basierend auf der erweiterten Finiten Elemente Methode vorgestellt. Besondere Bedeutung liegt dabei auf der Untersuchung vonMakroskopisch betrachtet kann das Versagen von Beton durch die Entstehung und das Wachstum von Rissen beschrieben werden. Im ersten Teil der Arbeit wird eine Methode zur Simulation der makroskopischen Rissentwicklung von Beton unter Verwendung von kohäsiven diskreten Rissen basierend auf der erweiterten Finiten Elemente Methode vorgestellt. Besondere Bedeutung liegt dabei auf der Untersuchung von Kriterien zur Rissentstehung und zum Risswachstum. Ein Nachteil von makroskopischen Simulationen liegt in der nur phänomenologischen Berücksichtigung der tatsächlichen Vorgänge. Nichtlineares Verhalten von Beton ist durch die Entstehung von Mikrorissen gekennzeichnet, die bei weiterer Belastung zu makroskopischen Rissen zusammenwachsen. Um die Versagenszone realitätsnah abbilden zu können, wurde ein Mesoskalenmodell von Beton entwickelt, welches Zuschläge, Matrix und Übergangszone zwischen beiden Materialien (ITZ) direkt abbildet. Hauptmerkmal sind die Simulation der Zuschläge nach einer Sieblinie, eine kohäsive Materialformulierung der ITZ und ein kombiniertes Model aus Schädigung und Plastizität für das Matrixmaterial. Im Gegensatz zu numerischen Simulationen ist die Systemantwort reeller Strukturen eine unscharfe Größe. Dies liegt u.a. an Heterogenitäten innerhalb der Struktur, die im Rahmen der Arbeit durch eine zufällige Verteilung der Zuschläge und über räumlich variierende Materialparameter unter Verwendung von Zufallsfeldern simuliert werden. Zwei Hauptprobleme sind bei den Mesoskalensimulationen aufgetreten. Einerseits sind Materialparameter auf der Mesoskala oft schwer zu bestimmen. Deswegen wurde eine Methode basierend auf Bayes neuronalen Netzen entwickelt, die eine Parameteridentifikation unter Verwendung von makroskopischen Versuchen erlaubt. Diese Methode ist aber universell anwendbar auf alle Parameteridentifikationsprobleme in numerischen Simulationen basierend auf experimentellen Daten. Der Ansatz liefert sowohl Informationen über den wahrscheinlichsten Parametersatz des Models zur numerischen Simulation eines Experiments als auch eine Einschätzung der Genauigkeit dieses Schätzers. Die Methode kann auch verwendet werden, um a priori einen Satz von Experimenten auszuwählen der notwendig ist, um die Parameter eines numerischen Modells zu bestimmen. Ein zweites Problem ist der numerische Aufwand von Mesoskalensimulationen für makroskopische Strukturen. Aus diesem Grund wurde eine Kopplungsstrategie zwischen Meso- und Makromodell entwickelt, bei dem repräsentative Simulationen auf der Mesoebene verwendet werden, um ein Metamodell zu generieren, welches dann die Materialformulierung in einer makroskopischen Simulation darstellt. Ein Fokus liegt dabei auf der korrekten Abbildung von Entlastungen.show moreshow less

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Document Type:Doctoral Thesis
Author: Jörg F. Unger
DOI (Cite-Link):https://doi.org/10.25643/bauhaus-universitaet.1392Cite-Link
URN (Cite-Link):https://nbn-resolving.org/urn:nbn:de:gbv:wim2-20090626-14763Cite-Link
Title Additional (German):Neuronale Netze in einem Multiskalenansatz für Beton
Series (Serial Number):ISM-Bericht // Institut für Strukturmechanik, Bauhaus-Universität Weimar (2009,1)
Advisor:Prof. Dr.-Ing. habil. Carsten KönkeORCiDGND
Language:English
Date of Publication (online):2009/06/26
Year of first Publication:2009
Date of final exam:2009/05/07
Release Date:2009/06/26
Publishing Institution:Bauhaus-Universität Weimar
Granting Institution:Bauhaus-Universität Weimar, Fakultät Bauingenieurwesen
Institutes and partner institutions:Fakultät Bauingenieurwesen / Institut für Strukturmechanik (ISM)
Tag:Bayes neuronale Netze; Parameteridentification
Bayesian neural networks; parameter identification
GND Keyword:Beton; Mehrskalenmodell; Mehrskalenanalyse; Neuronales Netz; Monte-Carlo-Simulation; Simulation; Monte-Carlo-Integration; Kontinuierliche Simul
Dewey Decimal Classification:600 Technik, Medizin, angewandte Wissenschaften / 620 Ingenieurwissenschaften / 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten
BKL-Classification:56 Bauwesen / 56.03 Methoden im Bauingenieurwesen
Licence (German):License Logo Creative Commons 4.0 - Namensnennung-Nicht kommerziell (CC BY-NC 4.0)