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

从材料到材料，从材料到材料，从弹性力学到动态弹性力学都是如此。这是一种新的机械结构，它是一种材料，它能承受热和水。在实验过程中，所有的材料都被定义为特定的模型和参数。一种可供选择的柴油机型是一种新的通用机型，它是一种新型的机型，它的材料和性能都很好。一个Probekörpern是一个Probekörpern的身份，而不是scharfe Daten erhalten，他是一种材料和材料的一种新的方法。从材料和技术上看，这是一种新的技术和技术。Künstliche Neuronale Netze Sind in Aufbau and FunktionSweise DEM menschlichen Gehirn nachempfunden.Zum Erlernen der O.g.这是一个最好的中立性公式。L表示，他的柴油发动机性能最优。大北将成为世界上最大的数字适配器。在此基础上，我们进行了自我组织的自体识别培训。经过独立培训的神经元师Netze Sollen Auch unscharfe Daten Aus inomgenen Feldern berück sichtigt.训练和有效的神经元网络Könnnen和Stelle von材料模型在数值分析z.B.auf基础上的有限元方法。在Berück sichtigung Unscharfer参数Möglich的情况下，他妈的真的发生了什么。

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.