Influence of the topology of an artificial neural network on the results for estimating the cyclic material properties

Zur Abschätzung der Lebensdauer von zyklisch belasteten Bauteilen anhand statischer Werkstoffkennwerte existieren zahlreiche Abschätzungsverfahren, die größtenteils auf empirischen Gleichungen beruhen. Mit zunehmender Anzahl der Eingabe‐ und Einflussparameter steigt auch der Aufwand zur Ableitung dieser Gleichungen und die Abschätzungsgenauigkeit sinkt. Daher wurde nach neuartigen Methoden gesucht, um die zyklischen Kennwerte zuverlässig abschätzen zu können. Ein vielversprechender Ansatz ist mit den künstlich neuronalen Netzen gefunden worden, welche den Zusammenhang zwischen Eingangsparametern und Ausgabeparametern selbst erschließen können. Als Eingangsparameter kommen die statischen Kennwerte der zu untersuchenden Werkstoffe zum Einsatz, da diese gegenüber den zyklischen schneller und kostengünstiger zu ermitteln sind. Als Ausgabegrößen werden die zyklischen Kennwerte der Ramberg‐Osgood‐ und der Manson‐Coffin‐Basquin‐Gleichung abgeschätzt. Die künstlich neuronalen Netze können dabei sehr unterschiedlich und beliebig komplex aufgebaut sein. In dieser Arbeit wird der Einfluss der Verknüpfungen der Neuronen untereinander, der sogenannten Topologie, auf die Abschätzungsgüte der künstlich neuronalen Netze untersucht. Ausgehend von einem Referenzfall wird gezeigt, dass komplexere Topologien demgegenüber nicht die gewünschten Verbesserungen bei der Abschätzung der zyklischen Kennwerte erzielen.