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

德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国Neben力学，豆的生长机理，材料的生长机理[j]。Zur Beschreibung des Materialverhaltens werden blicherweise spezifische Modelle verwendet, deren Parameter durch experimentle Untersuchungen zu identifiziien sinte。2 .基于材料与材料的材料与材料的材料与材料的材料与材料的材料与材料的材料与材料的材料与材料的材料与材料的材料与材料的材料。Aus Versuchen和Probekörpern werden i.d.R. unscharfe Daten erhalten， die Materialbeanspruchungen和Materialantworten repräsentieren。复发物Abhängig-keiten zwischen unscharfen材料与反woten werden mitk<s:1> nstlichen neuronalen Netzen beschrieben und unwendung von Schwarmintelligenz identifiziert。神经学研究：神经学与功能学的关系。Zum Erlernen der o.g Abhängigkeiten zwischen unscharfen Daten werden neutige Optimierungsaufgaben formululiet。Schwarmintelligenz kann zur Lösung dieser Optimierungsaufgaben eingesetzt werden。大北风：数值适应器。Ein neu entwickelndes selbstorganisiertes lerverfahren ermöglicht eine weitgehend autonomous identification der Abhängig-keiten（又称Training bezeichnet）和deren validerung。荷兰间接训练神经学家Netze sollen将unscharfe数据定义为非均质数据（inhomogenen Feldern），并将其定义为非均质数据（sicsictigt werden）。训练和验证神经元Netze können和Stelle von materials在数值模拟中的模型[j] . auf基于有限元方法的分析[j]。Damit sind realitätsnahe Prognosen des Tragwerksverhaltens unter ber<s:1> cksichtigung 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.