Neuer Preprint über physikalisch informierte neuronale Netze als Ersatzmodell

10 Juni 2024

In dieser Forschung werden schnell auswertbare Surrogat-Modellierungstechniken zur Erstellung eines hybriden digitalen Zwillings eines Stahlbetonbalkens untersucht. Es werden zwei physikalisch informierte neuronale Netzmodelle entwickelt, die experimentelle Daten aus einem Vier-Punkt-Biegeversuch mit physikalischen Gesetzen integrieren.

Das erste Modell prognostiziert zeitabhängige Dehnungen an festen Stellen, inspiriert von einem harmonischen Oszillator. Es wird mit einer rein datenbasierten Methode verglichen, wobei die Bedeutung physikalischer Gesetze für die Modellextrapolation mit begrenzten Daten hervorgehoben wird. Dieses Modell hilft auch bei der Ermittlung der Eigenfrequenz des Systems als inverser Solver.

Das zweite Modell prognostiziert die Dehnungsverteilung zu einem festen Zeitpunkt unter Verwendung von Sensordaten und linearen Elastizitätsgleichungen und unterstreicht die Bedeutung des Ausgleichs von Verlustkomponenten durch geeignete Verlustgewichte.

Sahin, T., Wolff, D., von Danwitz, M., Popp, A. (2024). Towards a Hybrid Digital Twin: Physics-Informed Neural Networks as Surrogate Model of a Reinforced Concrete Beam. Preprint, submitted for publication arXiv