Shop : Details
Shop
Details
January 2025
eBook (PDF)
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
Print version: 978-3-8440-9772-6
DOI 10.2370/9783844098679
You need Adobe Reader, to view these files. Here you will find a little help and information for downloading the PDF files.
Please note that the online documents cannot be printed or edited.
Please also see further information at: Help and Information.
Please also see further information at: Help and Information.
| Document |  | Document | ||
| Type |  | |||
| Costs |  | 53,10 € | ||
| Action |  | Purchase in obligation and download the file | ||
| Document |  | Table of contents | ||
| Type | | |||
| Costs |  | free | ||
| Action |  | Download the file | ||
User settings for registered online customers (online documents)
You can change your address details here and access documents you have already ordered.
User
Not logged in
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.
