Entwurf und Optimierung von Schalentragwerken mit polymorph unscharfen Daten

Die Vorhersage von Beullasten für schlanke und dünnwandige Strukturen unter Druckbelastung ist wichtig für die Beurteilung der Zuverlässigkeit des Tragwerks. Zufällige geometrische Imperfektionen reduzieren die Beullast und sind mit Unschärfen behaftet. Im Rahmen einer probabilistischen Beulanalyse werden die geometrischen Imperfektionen als korrelierte Zufallsfelder modelliert und auf das Finite-Elemente-Modell (FE-Modell) aufgebracht. Die Beulanalyse wird anschließend mittels Monte-Carlo-Simulation (MCS) durchgeführt. Der probabilistische Ansatz im Bauingenieurwesen erfordert die Gewährleistung einer geringen Versagenswahrscheinlichkeit und damit eine hohe Genauigkeit bei der Berechnung der Wahrscheinlichkeitsverteilung. Die dadurch entstehenden hohen Rechenkosten der Monte-Carlo-Simulation können durch ein Ersatzmodell der FE-Simulation reduziert werden. Die Entwicklung eines effektiven Ersatzmodells für Zufallsfelder ist jedoch herausfordernd, da der Eingaberaum hochdimensional ist. Ein künstliches neuronales Netz (KNN) wird als Surrogatmodell eingesetzt, um die Beullast von Strukturen vorherzusagen, wobei Zufallsfelder als geometrische Imperfektionen als Input berücksichtigt werden. Das Training des Modells basiert auf Samples von Zufallsfeldern und den zugehörigen Beullasten aus FE-Simulationen. Das trainierte KNN-Ersatzmodell wird schließlich in einer MCS-Schleife verwendet, um die Wahrscheinlichkeitsverteilung der Beullast zu ermittelt.

Ansprechpartner
Projektleitung: Dr.-Ing. Marc Fina
Projektmitverantwortliche: Prof. Dr.-Ing. Steffen Freitag, Prof. Dr.-Ing. habil. Werner Wagner
Projektbearbeitung: M.Sc. Maximilian Schweizer

Das Projekt wird von der Deutschen Forschungsgemeinschaft (DFG) gefördert