Zuverlässigkeitsbeurteilung vorgeschädigter komplexer Tragstrukturen auf der Basis neuronaler Netzwerkapproximation

Bestehende exakte Verfahren zur Zuverlässigkeitsbewertung von Tragstrukturen sind hinsichtlich einer effizienten Anwendung in der Regel auf einfachere Systeme beschränkt.这种限制是通过一个非线性的结构分析来实现的，该结构分析是通过一个复杂的Versagensmechanismen来实现的，该复杂的Versagensmechanismen是通过一个具有不同参数的结构分析来实现的。该项目的设计使其具有一个复杂的安全结构，并具有非常高的数值。所有的工作都需要神经网络，一个艺术家的作品都需要韦尔登。这种网络解决方案，没有复杂的材料、最终和几何参数的复杂线性Abhängigkeiten zwischen schwankenden，系统的Antwortgrößen sehr schnell zu approximieren。Um diese Prognose zu ermöglichen，müssen die neuronalen Netzwerke für die geforderte Aufgabenstellung trainiert韦尔登.在韦尔登的前解决方案中，可以通过基本神经元网络对高维问题进行稳定和通用的Zuverlässigkeitsanalysis，从而实现韦尔登。在韦尔登看来，只有一个基于网络训练基础的结构分析方法才是正确的。Um diese plumen für bestehende vorgeschädigte Tragwerke anwenden zu können，soll schließlich ein Verfahren erarbeitet韦尔登，bei dem aus unsicheren Ausgangszustand der Endzustand unter Einbeziehung dynamischer Messwerte direekt approximiert wird and somit bewertet韦尔登kann.

Bestehende exakte Verfahren zur Zuverlässigkeitsbewertung von Tragstrukturen sind hinsichtlich einer effizienten Anwendung in der Regel auf einfachere Systeme beschränkt. Diese Limitierung ist durch den enormen numerischen Aufwand einer nichtlinearen Strukturanalyse unter Berücksichtigung komplexer Versagensmechanismen sowie durch die notwendige Anzahl dieser Strukturanalysen mit variierenden Eingangsparametern innerhalb eines stochastischen Verfahrens begründet. Das beantragte Projekt setzt sich das Ziel eine Sicherheitsbewertung komplexer Strukturen mit vertretbaren numerischen Aufwand zu ermöglichen. Als Werkzeug sollen dabei neuronale Netzwerke, die eine Art künstliches Gedächtnis darstellen, angewendet werden. Diese Netzwerke sollen dazu dienen, die äußerst komplexen nichtlinearen Abhängigkeiten zwischen zufällig schwankenden Material-, Last- und Geometrieparametern und den Antwortgrößen des Systems sehr schnell zu approximieren. Um diese Prognose zu ermöglichen, müssen die neuronalen Netzwerke für die geforderte Aufgabenstellung trainiert werden. In dem Vorhaben sollen geeignete Verfahren entwickelt werden, mit denen eine stabile und genaue Zuverlässigkeitsanalyse auf Basis neuronaler Netzwerke für hochdimensionale Probleme realisiert werden kann. Dabei soll der numerische Aufwand dadurch begrenzt werden, dass nur eine geringe Anzahl von Strukturanalysen als Basis des Netzwerktrainings notwendig ist. Um diese Algorithmen für bestehende vorgeschädigte Tragwerke anwenden zu können, soll schließlich ein Verfahren erarbeitet werden, bei dem aus einem unsicheren Ausgangszustand der Endzustand unter Einbeziehung dynamischer Messwerte direkt approximiert wird und somit bewertet werden kann.