Influence of an experimental support on the estimation accuracy with artificial neural network

Abstract Wesentlich für die betriebsfeste Auslegung von Bauteilen sind geeignete Methoden und Übertragbarkeitskriterien sowie die Kenntnisse über das zyklische Werkstoffverhalten. Aus diesem Grund werden die zyklischen Werkstoffkennwerte in Abhängigkeit der Produkteigenschaften (Umformgrad, Gefüge, Oberflächenrauhigkeit, Eigenspannungen) und unterschiedlichen Belastungsparametern ermittelt. Da jedoch die Ermittlung der zyklischen Kennwerte mit hohen Versuchsaufwand und Kosten verbunden ist, wird nach Methoden gesucht, diese kostengünstig und schnell zu bestimmen. Ein viel versprechender Ansatz hierfür ist der Einsatz von künstlichen neuronalen Netzen (KNN), da sie in der Lage sind, die Einflüsse aus Fertigungs‐ und Umweltparametern auf die Schwingfestigkeit aus sinnvoll gewählten Eingangsparametern zu generieren. Sie bieten die Möglichkeit, auf erlerntes Wissen zurückzugreifen und somit, auf Basis weniger Versuche ein mehrdimensionales Kennfeld zu erstellen. Durch eine Kombination aus wenigen experimentellen Versuchen und dem künstlich neuronalen Netz kann die Treffsicherheit der Abschätzung erhöht und der erforderliche experimentelle Aufwand reduziert werden.