Shop : Details
Shop
Details
59,80 €ISBN 978-3-8440-9554-8Paperback240 Seiten95 Abbildungen312 g21 x 14,8 cmDeutschDissertation
Juli 2024
Jens Trilling
Unterstützung der Graphen- und Heuristikbasierten Topologieoptimierung crashbelasteter Strukturen durch Reinforcement Learning
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.
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.
Schlagwörter: Strukturoptimierung; Topologieoptimierung; Crashoptimierung; Künstliche Intelligenz; Reinforcement Learning
Verfügbare Online-Dokumente zu diesem Titel
Sie benötigen den Adobe Reader, um diese Dateien ansehen zu können. Hier erhalten Sie eine kleine Hilfe und Informationen, zum Download der PDF-Dateien.
Bitte beachten Sie, dass die Online-Dokumente nicht ausdruckbar und nicht editierbar sind.
Bitte beachten Sie auch weitere Informationen unter: Hilfe und Informationen.
Bitte beachten Sie auch weitere Informationen unter: Hilfe und Informationen.
| Dokument |  | Gesamtdokument | ||
| Dateiart |  | |||
| Kosten |  | 44,85 € | ||
| Aktion |  | Zahlungspflichtig kaufen und download der Datei | ||
| Dokument |  | Inhaltsverzeichnis | ||
| Dateiart | | |||
| Kosten |  | frei | ||
| Aktion |  | Download der Datei | ||
Benutzereinstellungen für registrierte Online-Kunden (Online-Dokumente)
Sie können hier Ihre Adressdaten ändern sowie bereits georderte Dokumente erneut aufrufen.
Benutzer
Nicht angemeldet
Export bibliographischer Daten
Shaker Verlag GmbHAm Langen Graben 15a52353 Düren
Mo. - Do. 8:00 Uhr bis 16:00 UhrFr. 8:00 Uhr bis 15:00 Uhr
Kontaktieren Sie uns. Wir helfen Ihnen gerne weiter.
