Shop : Details
Shop
Details
70,80 €ISBN 978-3-8440-9772-6Softcover444 pages74 figures558 g21 x 14,8 cmGermanThesis
January 2025
Karl Burkamp
Erzeugung synthetischer Wöhlerlinien für Sinterstähle mithilfe künstlicher neuronaler Netze
Die Schwingfestigkeit von Sinterstählen wird maßgeblich durch Faktoren wie Dichte, Legierungszusammensetzung, Härte und Kerbgeometrie beeinflusst. Die experimentelle Bestimmung dieser Zusammenhänge ist jedoch zeit- und kostenintensiv. Traditionell wurden Einflussgrößen isoliert betrachtet, was zu spezifischen Modellen führte. Aufgrund der kostengünstigen Herstellung von Sinterproben existieren zahlreiche systematische Analysen in der Literatur, die als Basis für Vorhersagemodelle dienen.
Ein klassisches Modell nutzt Dichte, Härte und lokale Beanspruchungsparameter zur Prognose der Schwingfestigkeit. Neue Ansätze wie automatisierte Regressionsmethoden aus dem Bereich des Machine Learning ermöglichen es, diese Daten effizienter auszuwerten, Zusammenhänge zu extrahieren und präzise Vorhersagen – etwa zur Dauerfestigkeit – zu treffen.
Diese Arbeit untersucht die Potenziale des maschinellen Lernens zur Schwingfestigkeitsprognose. Besondere Schwerpunkte liegen auf der sorgfältigen Aufbereitung der Eingangsdaten und der Vermeidung von Überanpassungen. Abschließend werden die Ergebnisse der maschinellen Lernmethoden qualitativ und quantitativ mit klassischen Vorhersagemodellen verglichen, um deren Praxistauglichkeit zu bewerten.
Ein klassisches Modell nutzt Dichte, Härte und lokale Beanspruchungsparameter zur Prognose der Schwingfestigkeit. Neue Ansätze wie automatisierte Regressionsmethoden aus dem Bereich des Machine Learning ermöglichen es, diese Daten effizienter auszuwerten, Zusammenhänge zu extrahieren und präzise Vorhersagen – etwa zur Dauerfestigkeit – zu treffen.
Diese Arbeit untersucht die Potenziale des maschinellen Lernens zur Schwingfestigkeitsprognose. Besondere Schwerpunkte liegen auf der sorgfältigen Aufbereitung der Eingangsdaten und der Vermeidung von Überanpassungen. Abschließend werden die Ergebnisse der maschinellen Lernmethoden qualitativ und quantitativ mit klassischen Vorhersagemodellen verglichen, um deren Praxistauglichkeit zu bewerten.
Keywords: Sinterstahl; Schwingfestigkeit; synthetische Wöhlerlinie; Maschinelles Lernen; KI
Other formats
Electronic publication (PDF): 978-3-8440-9867-9
Export of bibliographic data
Shaker Verlag GmbH
Am Langen Graben 15a
52353 Düren
Germany
Am Langen Graben 15a
52353 Düren
Germany
Mon. - Thurs. 8:00 a.m. to 4:00 p.m.
Fri. 8:00 a.m. to 3:00 p.m.
Fri. 8:00 a.m. to 3:00 p.m.
Contact us. We will be happy to help you.
