Login
- Originaltitel:
- Towards a meaningful integration of neural networks in computational solid mechanics
- Übersetzter Titel:
- Über die sinnvolle Integration neuronaler Netzwerke in der computergestützten Festkörpermechanik
- Autor:
- Herrmann, Leon
- Jahr:
- 2025
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Institution:
- Lehrstuhl für Computergestützte Modellierung und Simulation (Prof. Borrmann)
- Betreuer:
- Kollmannsberger, Stefan (Prof. Dr. habil.)
- Gutachter:
- Kollmannsberger, Stefan (Prof. Dr. habil.); Duddeck, Fabian (Prof. Dr. habil.); Niiranen, Jarkko (Assoc. Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- BAU Bauingenieurwesen, Vermessungswesen
- Stichworte:
- deep learning; computational mechanics; neural networks; artificial intelligencesolid mechanics; full waveform inversion; acoustic topology optimization; discontinuous strain method
- TU-Systematik:
- BAU 005; ARC 045
- Kurzfassung:
- The artificial intelligence hype has yielded an unwieldy and intransparent body of literature on deep learning in computational mechanics. This dissertation clarifies the state-of-the-art and explores the potential and limitations of neural networks. A methodological overview is offered, and several neural network applications are investigated for solid mechanics, ranging from fracture mechanics and material modeling to inverse problems, topology optimization, and forward solvers.
- Übersetzte Kurzfassung:
- Der Hype um künstliche Intelligenz hat zu einer unübersichtlichen Literatur über Deep Learning in der computergestützten Mechanik geführt. Diese Dissertation klärt den Stand der Technik und untersucht das Potenzial und die Grenzen neuronaler Netzwerke. Sie bietet einen methodischen Überblick und untersucht Anwendungen neuronaler Netzwerke in der Festkörpermechanik, die von Bruchmechanik und Materialmodellierung bis hin zu inversen Problemen, Topologieoptimierung und Vorwärtslösern reichen.
- WWW:
- https://mediatum.ub.tum.de/?id=1755147
- Eingereicht am:
- 29.10.2024
- Mündliche Prüfung:
- 11.04.2025
- Dateigröße:
- 26398527 bytes
- Seiten:
- 321
- Urn (Zitierfähige URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250411-1755147-0-4
- Letzte Änderung:
- 25.04.2025
BibTeX