Identification of Uncertain Dependencies with Methods of Artificial Intelligence for Prediction of Static and Dynamic Structural Behaviour

该Berechnung和Sicherheitsbeurteilung Schwarch或dynamisch belasteter Tragwerke erfordert die realitätsnahe Erfasung des Materialverhaltens unter den auftretenden Beanspruchungen.大豆的机械加工可以使材料保持平衡。也可以通过热和湿的方式影响韦尔登。对材料进行韦尔登可以建立一个特殊的模型，通过实验确定参数。一种基于模型的材料选择是一种通用的材料选择模型，它采用了智能方法，可以使材料选择变得韦尔登。Aus Versuchen an Probekörpern韦尔登i.d.R. unscharfe Daten erhalten，die Materialianspruchungen und Materialantworten repräsentieren.复杂的Abhängig-keiten zwischen unscharfen Materialisanspruchungen and-antworten韦尔登mit künstlichen neuro-nalen Netzen beschrieben and unter Anwendung von Schwarmintelligenz identifiziert.神经元内策结构和功能都是由人类的基因决定的。Zum Erlernen der o.g. Abhängigkeiten zwischen unscharfen Daten韦尔登neuartige Optimierungsaufgaben formuliert. Schwarmintelligenz kann zur Lösung dieser Optimierungsaufgaben eingesetzt韦尔登.大北将使社会更好地适应生活数字。Ein neu zu entwickelndes selbstorganisiertes Lernverfahren ermöglicht eine weitgehire autonome Identifikation der Abhängig-keiten - auch als Training bezeichnet - und deren Validierung.训练神经内策也需要从不均匀的Feldern获得韦尔登的数据。神经元内策培训和验证在数值分析中使用材料模型。在基本原理法的基础上，我们可以得到韦尔登。Damit sind realitätsnahe Prognosen des Tragwerksverhaltens unter Berücksichtigung unscharfer Parameter möglich.

Die Berechnung und Sicherheitsbeurteilung statisch oder dynamisch belasteter Tragwerke erfordert die realitätsnahe Erfassung des Materialverhaltens unter den auftretenden Beanspruchungen. Neben mechanischen Beanspruchungen kann das Materialverhalten z.B. auch durch thermische und hygrische Einwirkungen beeinflusst werden. Zur Beschreibung des Materialverhaltens werden üblicherweise spezifische Modelle verwendet, deren Parameter durch experimentelle Untersuchungen zu identifizieren sind. Eine Alternative zu dieser modellbasierten Vorgehensweise sind generalisierte modellfreie Beschreibungen des Materialverhaltens mit Methoden künstlicher Intelligenz, die im For-schungsvorhaben entwickelt werden. Aus Versuchen an Probekörpern werden i.d.R. unscharfe Daten erhalten, die Materialbeanspruchungen und Materialantworten repräsentieren. Komplexe Abhängig-keiten zwischen unscharfen Materialbeanspruchungen und -antworten werden mit künstlichen neuro-nalen Netzen beschrieben und unter Anwendung von Schwarmintelligenz identifiziert. Künstliche neuronale Netze sind in Aufbau und Funktionsweise dem menschlichen Gehirn nachempfunden. Zum Erlernen der o.g. Abhängigkeiten zwischen unscharfen Daten werden neuartige Optimierungsaufgaben formuliert. Schwarmintelligenz kann zur Lösung dieser Optimierungsaufgaben eingesetzt werden. Dabei wird das Sozialverhalten von Lebewesen numerisch adaptiert. Ein neu zu entwickelndes selbstorganisiertes Lernverfahren ermöglicht eine weitgehend autonome Identifikation der Abhängig-keiten – auch als Training bezeichnet – und deren Validierung. Durch indirektes Training neuronaler Netze sollen auch unscharfe Daten aus inhomogenen Feldern berücksichtigt werden. Trainierte und validierte neuronale Netze können an Stelle von Materialmodellen in numerischen Tragwerksanalysen z.B. auf Basis der Finite-Elemente-Methode eingesetzt werden. Damit sind realitätsnahe Prognosen des Tragwerksverhaltens unter Berücksichtigung unscharfer Parameter möglich.