Priv.-Doz. Dr. Stefan Bosse
Universität Bremen, FB Mathematik &
19.2.2018
sbosse@uni-bremen.de |
Untersuchung des Material- und Strukturverhaltens von Proben und Bauteilen unter verschiedenen Belastungs- und Einsatzsituationen
Es fallen große Datenmengen bei der Materialprüfung und Bauteilüberwachung an! Messdaten sind unsicher und verrauscht!
Einsatz von KI Methoden um eine grundlegende Abbildungsfunktion der experimentellen Wissenschaften abzuleiten und zu implementieren:
F(Sensor Daten): Sensor Daten → Wissen!
Häufig existieren keine oder nur unvollständige numerische Material- und Bauteilmodelle
Inverse Numerik kann eingesetzt werden um von Sensordaten auf Material- und Bauteileigenschaften zurück zuschließen ↠ Meist zu komplex und rechenintensiv; Modelle müssen bekannt sein!
Häufig fehlen funktionale Zusammenhänge zwischen zwei Variablen x und y, z.B., Dehnung einer Probe (Reactio) und wirkender äußerer Kraft (Actio, Stimulus):
f(x):x → y.
Neben der Bestimmung von funktionalen Zusammenhängen (Materialprüfung, Lastüberwachung) ist die Zustandsvorhersage zur Betriebszeit (Strukturüberwachung) wichtige Fragestellung.
Materialprüfung | Strukturüberwachung |
Die Trainingsdaten bestehen aus Eingabedaten (x, Sensorvariablen, Strukturparameter, ..) mit den dazugehörigen Ausgabedaten (y, sog. Labels, z.B. Materialparameter). Die Ausgabedaten werden i.A. von Experten (Menschen) zugeordnet, können aber auch durch eine automatische Bewertung rückgekoppelt werden (Verstärkungslernen).
Beim sog. Clustering werden Muster in den Eingabedaten automatisch erkannt, d.h. die Trainingsdaten bestehen nur aus den Eingabedaten x.
Mögliche Modelle für das vorherige Beispiel des Überwachten Lernens könnten sein:
|
|
|
|
Überwachtes Lernen | Unüberwachtes Lernen |
Anwendungen: Vorhersage Struktur ⇆ Materialeigenschaften; Vorhersage von Schäden und Bauteilveränderungen; Kristallstrukturen klassifizieren | Anwendungen: Modellierung der Klassifikation von Schäden; Identifikation von Deskriptoren; Rauschunterdrückung in Messdaten |
Methoden: Entscheidungsbäume; Support Vector Machines; Neuronale Netze; k Nearest Neighbour; Regularisierte Kleinste Quadrate | Methoden: Selbst-organisierende Karten (Neuronale Netze); k‐Means Clustering; Markov Random Fields; Hierarchical Cluster Analysis; Principal Component Analysis; Cross‐correlation |
Composite Strukturen und Hybride Materialien besitzen komplexe
Vorhersage von Schäden und Bauteilveränderungen ist schwierig
Z.B. Ausbreitung von Wellen als Messverfahren in Hybriden nicht vollständig bekannt!
Verwendung von FEM und numerischen Methoden um Trainingsdaten für ML und Genetische Algorithmen zu erzeugen.
Synthetisch generierte Messdaten können mit realen Messdaten kombiniert werden!
|
Beispiele von Messsignalen einer Composite Probe |
ANN: Eingangsvariablen sind ausgewählte Signalcharakteristka; Ausgangsvariablen sind Ort und Stärke einer Schädigung |
Agenten besitzen eine Vielzahl von Fähigkeiten, die sie von klassischen Programmen unterscheiden - obwohl Agenten auch Programme sind! Agent ⇆ Lernen
Pidaparti, 1992: Neuronales Netzwerk für monotone und zyklische Spannungs-Dehnungs Belastungen; |
Verhaltensmodell des ANN [2] |
Region-of-Interest Erkennung von Ultraschallmesssignalen an Hybrid Proben mittels selbstorganisierenden Multiagentensystem (SoMAS) [4]
Probleme bei Messsignalen und Auswertung: Rauschen; Baseline; Dynamik; Nur ein kleines Zeitfenster beinhaltet relevante Struktur- und Schadensinformation; Reflexionen und Echos
|
|
Mehr als 90% der ROIs von sehr unterschiedlichen Messsignalen können automatisch erkannt und direkt für die numerische Weiterverarbeitung zur Schadensdiagnostik verwendet werden.
|
|
|
Ansatz: Viele verteilte Lerninstanzen die auf lokalen Daten arbeiten.
|
|
Lastsituationen | Beispiele für Wahlen
|
Automatische Strukturüberwachung und Schadensdiagnostik ohne Struktur- und Materialmodelle
Automatische Verarbeitung und Reduktion großer Datenmengen
Merkmalsselektion:
Vorverarbeitung der Messdaten (Reduktion der Eingangsvariablen)
Merkmalsextraktion:
Schadensdiagnostik (Abbildung Eingangs- auf Ausgangsvariablen)
Schadensklassifikation, Schdenslokalisation, Strukturveränderung, usw.
Rückkopplung: Ergebnisse der Merkmalsselektion und Extraktion werden für Adaption des Messverfahrens verwendet.
Mit zunhemender Komplexität von Material- und Strukturmodellen wird Schadensdiagnostik, Strukturüberwachung, und Materialentwicklung schwieriger.
Einsatz Hybrider Verfahren (z.B. MAS+ML)
Es müssen große Datenmengen verarbeitet werden. Aber: Nur ein kleiner Teil der Eingangsdaten (Eingangsvariablen) ist relevant.
Daher Dateneduktion → Merkmalsselektion
KI Methoden können helfen relevante Informationen aus der großen wenig korrlierten Datenmenge zu extrahiern → Merkmalsextraktion
Maschinelles Lernen und Data Mining
Ungang mit unsicheren Wissen und Daten (Schliessen und Planen)
Agentenbasierte Verfahren
Verteilte und parallele Verfahren
1.Knoten n bei Position (i,j) ↩