Shop : Details
Shop
Details
Januar 2025
eBook (PDF)
Karl Burkamp
Erzeugung synthetischer Wöhlerlinien für Sinterstähle mithilfe künstlicher neuronaler Netze
Die Schwingfestigkeit von Sinterstählen wird maßgeblich durch Faktoren wie Dichte, Legierungszusammensetzung, Härte und Kerbgeometrie beeinflusst. Die experimentelle Bestimmung dieser Zusammenhänge ist jedoch zeit- und kostenintensiv. Traditionell wurden Einflussgrößen isoliert betrachtet, was zu spezifischen Modellen führte. Aufgrund der kostengünstigen Herstellung von Sinterproben existieren zahlreiche systematische Analysen in der Literatur, die als Basis für Vorhersagemodelle dienen.
Ein klassisches Modell nutzt Dichte, Härte und lokale Beanspruchungsparameter zur Prognose der Schwingfestigkeit. Neue Ansätze wie automatisierte Regressionsmethoden aus dem Bereich des Machine Learning ermöglichen es, diese Daten effizienter auszuwerten, Zusammenhänge zu extrahieren und präzise Vorhersagen – etwa zur Dauerfestigkeit – zu treffen.
Diese Arbeit untersucht die Potenziale des maschinellen Lernens zur Schwingfestigkeitsprognose. Besondere Schwerpunkte liegen auf der sorgfältigen Aufbereitung der Eingangsdaten und der Vermeidung von Überanpassungen. Abschließend werden die Ergebnisse der maschinellen Lernmethoden qualitativ und quantitativ mit klassischen Vorhersagemodellen verglichen, um deren Praxistauglichkeit zu bewerten.
Ein klassisches Modell nutzt Dichte, Härte und lokale Beanspruchungsparameter zur Prognose der Schwingfestigkeit. Neue Ansätze wie automatisierte Regressionsmethoden aus dem Bereich des Machine Learning ermöglichen es, diese Daten effizienter auszuwerten, Zusammenhänge zu extrahieren und präzise Vorhersagen – etwa zur Dauerfestigkeit – zu treffen.
Diese Arbeit untersucht die Potenziale des maschinellen Lernens zur Schwingfestigkeitsprognose. Besondere Schwerpunkte liegen auf der sorgfältigen Aufbereitung der Eingangsdaten und der Vermeidung von Überanpassungen. Abschließend werden die Ergebnisse der maschinellen Lernmethoden qualitativ und quantitativ mit klassischen Vorhersagemodellen verglichen, um deren Praxistauglichkeit zu bewerten.
Schlagwörter: Sinterstahl; Schwingfestigkeit; synthetische Wöhlerlinie; Maschinelles Lernen; KI
Werkstoffanwendungen im Maschinenbau
Herausgegeben von Prof. Dr.-Ing. Christoph Broeckmann, Aachen
Band 32
Weitere Formate
Print-Version: 978-3-8440-9772-6
DOI 10.2370/9783844098679
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 |  | 53,10 € | ||
| 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
Shaker Verlag GmbH
Am Langen Graben 15a
52353 Düren
Am Langen Graben 15a
52353 Düren
Mo. - Do. 8:00 Uhr bis 16:00 Uhr
Fr. 8:00 Uhr bis 15:00 Uhr
Fr. 8:00 Uhr bis 15:00 Uhr
Kontaktieren Sie uns. Wir helfen Ihnen gerne weiter.
