Posloupné simulace a neuronové sítě v identifikaci křivky napětí–přetvoření při použití zkoušky tahem při velkých přetvořeních

Sequential simulation and neural network in the stress–strain curve identification over the large strains using tensile test

journal article in Web of Science

en

Two alternative methods for the stress–strain curve determination in the large strains region are proposed. Only standard force–elongation response is needed as an input into the identification procedure. Both methods are applied to eight various materials, covering a broad spectre of possible ductile behaviour. The first method is based on the iterative procedure of sequential simulation of piecewise stress–strain curve using the parallel finite element modelling. Error between the computed and experimental force–elongation response is low, while the convergence rate is high. The second method uses the neural network for the stress–strain curve identification. Large database of force–elongation responses is computed by the finite element method. Then, the database is processed and reduced in order to get the input for neural network training procedure. Training process and response of network is fast compared to sequential simulation. When the desired accuracy is not reached, results can be used as a starting point for the following optimization task.

Jsou navrženy dvě alternativní metody pro určení křivky napětí–přetvoření v oblasti velkých přetvoření. Jako vstup do procesu identifikace je potřeba pouze standardní odezva síly–prodloužení. Obě metody jsou aplikovány na osm různých materiálů pokrývajících široké spektrum možného tvárného chování. První metoda je založená na iterativním procesu posloupné simulace po částech spojité křivky napětí–přetvoření pomocí paralelního modelování metodou konečných prvků. Chyba mezi vypočítanou a experimentální odezvou síla–prodloužení je nízká, zatímco rychlost konvergence vysoká. Druhá metoda používá neuronové sítě pro určení křivky napětí–přetvoření. Rozsáhlá databáze odezev sil–prodloužení je vypočítána pomocí metody konečných prvků. Posléze je tato databáze zpracována a redukována pro získání vstupu pro proces určení neuronové sítě. Proces určení a odezva sítě je v porovnání k posloupné simulaci rychlá. Pokud není dosažena požadovaná přesnost, tak mohou být výsledky použity jako startovací bod pro následující optimalizační úlohu.

Two alternative methods for the stress–strain curve determination in the large strains region are proposed. Only standard force–elongation response is needed as an input into the identification procedure. Both methods are applied to eight various materials, covering a broad spectre of possible ductile behaviour. The first method is based on the iterative procedure of sequential simulation of piecewise stress–strain curve using the parallel finite element modelling. Error between the computed and experimental force–elongation response is low, while the convergence rate is high. The second method uses the neural network for the stress–strain curve identification. Large database of force–elongation responses is computed by the finite element method. Then, the database is processed and reduced in order to get the input for neural network training procedure. Training process and response of network is fast compared to sequential simulation. When the desired accuracy is not reached, results can be used as a starting point for the following optimization task.

Tvárnost; Konstitutivní chování; Kovové materiály; Numerické algoritmy; Optimalizace; Elasto–plastická deformace

Ductility; Constitutive behaviour; Metallic materials; Numerical algorithms; Optimization; Elastic–plastic deformation

08.06.2017

0939-1533

87

6

1077–1093

17