Jens Trilling

Unterstützung der Graphen- und Heuristikbasierten Topologieoptimierung crashbelasteter Strukturen durch Reinforcement Learning


voorkant	achterkant

ISBN:

978-3-8440-9554-8

Reeks:

Maschinenbau

Trefwoorden:

Strukturoptimierung; Topologieoptimierung; Crashoptimierung; Künstliche Intelligenz; Reinforcement Learning

Soort publicatie:

Dissertatie

Taal:

Duits

Pagina's:

240 pagina's

Gewicht:

312 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

59,80 € / 74,80 SFr

Verschijningsdatum:

Juli 2024

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		44,85 EUR
	Acties		Tonen en kopen van het bestand - 4,3 MB (4482980 Byte)
	Acties		Kopen en downloaden van het bestand - 4,3 MB (4482980 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 645 kB (660385 Byte)
	Acties		downloaden van het bestand - 645 kB (660385 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

In dieser Dissertation wird eine neue Heuristik für die Graphen- und Heuristikbasierte Topologieoptimierung (GHT) vorgestellt, welche ergänzend und konkurrierend zu den bestehenden Expertenregeln antritt. Durch Methoden des Reinforcement Learnings (RL) lernt das der Heuristik zugrundeliegende Machine-Learning-Modell, der Agent, selbstständig eine Strategie an, um die zu optimierende Struktur durch Topologieänderungen zu versteifen. Dazu wird eine zellenbasierte RL-Umgebung vorgestellt, welche eine konsistente Beschreibung von lokalen Bereichen in den Strukturgraphen ermöglicht. Die Zelle definiert den Bereich, in dem die Heuristik Topologiemodifikationen vornehmen kann. Durch ein neu entwickeltes Formabweichungsmaß wird die Steifigkeit einer Zelle rein geometrisch beschrieben. Das Training der Agenten basiert auf einem dreistufigen Prozess, bei dem in den ersten beiden Stufen systematisch nach geeigneten Trainingsparametern gesucht wird. In der dritten Stufe soll die Strategie des Agenten durch Transferlernen weiter generalisiert werden. Neben der versteifenden Heuristik wird diskutiert, wie und ob auf Basis des vorgestellten Ansatzes eine weitere RL-Heuristik entwickelt werden kann, welche die Strukturen nachgiebiger macht.

Die strukturversteifende Heuristik wird in verschiedenen praktischen GHT-Optimierungen auf ihre Performance und den Mehrwert für die GHT hin untersucht. Analysiert wird ein Rahmenmodell, ein Biegeträger und ein Schwellerausschnitt in unterschiedlichen Crashlastfällen. In vielen Optimierungen hat sich gezeigt, dass die RL-Heuristik erfolgreich eingesetzt werden kann und den Optimierungsprozess zu einer besseren Struktur gegenüber einer Vergleichsoptimierung ohne RL-Heuristik führt.