Genetische Algorithmen für die Strukturberechnung und die Optimierung strukturmechanischer Bauteile
Grundlagen, Stärken und Schwächen anhand praxisnaher Beispiele mittels Finite-Elemente-Methode
PAYBACK Punkte
0 °P sammeln!
Masterarbeit aus dem Jahr 2016 im Fachbereich Ingenieurwissenschaften - Maschinenbau, Note: 1,0, Universität der Bundeswehr München, Neubiberg (Fakultät für Leichtbau und Strukturberechnung), Sprache: Deutsch, Abstract: Im Zuge der Wirtschaftlichkeit eines Unternehmens ist bei der Auslegung der meisten strukturmechanischen Bauteile der Einsatz der Finiten-Elemente-Methode nicht mehr wegzudenken. In den letzten Jahrzehnten hat sich diese Methode aufgrund der steigenden Rechnerleistung stark weiterentwickelt. Dabei hat sich Software von den verschiedensten Herstellern auf dem Markt etabliert...
Masterarbeit aus dem Jahr 2016 im Fachbereich Ingenieurwissenschaften - Maschinenbau, Note: 1,0, Universität der Bundeswehr München, Neubiberg (Fakultät für Leichtbau und Strukturberechnung), Sprache: Deutsch, Abstract: Im Zuge der Wirtschaftlichkeit eines Unternehmens ist bei der Auslegung der meisten strukturmechanischen Bauteile der Einsatz der Finiten-Elemente-Methode nicht mehr wegzudenken. In den letzten Jahrzehnten hat sich diese Methode aufgrund der steigenden Rechnerleistung stark weiterentwickelt. Dabei hat sich Software von den verschiedensten Herstellern auf dem Markt etabliert. Auch die möglichen Funktionen sind vielfältig und reichen von linear statischen Berechnungsansätzen hin zu komplexen nichtlinearen oder kinematischen Analysen. In dieser Arbeit geht es um die Strukturoptimierung mittels sogenannter evolutionärer Algorithmen. Diese Stehen der klassischen Optimierungsmethode gegenüber, wie sie beispielsweise in Finite-Elemente-Programmen (z.B. Altair Hyper-Mesh)
hinterlegt sind. Anhand von praxisnahen Beispielen, wie z.B. dem klassischen Biegebalken, soll geprüft werden, in wie weit sich diese Optimierungsmethode eignet und ein Vergleich zu den klassischen Strukturoptimierungen gezogen werden. Optimierungsmethoden, die auf evolutionären bzw. selbstlernenden Algorithmen basieren sind in der Lage, Fehler nach dem Evolutionsprinzip selbstständig zu verbessern. Dabei greift die Software auf die bereits in der Informatik bekannten Algorithmen zurück, die in der Software implementiert sind. Auch in anderen Bereichen, wie z. B. der Schaltungstechnik oder der Mess- und Regelungstechnik sind diese Algorithmen bereits im Einsatz. Sie basieren diese auf dem Prinzip der biologischen Evolution. Bezieht man dieses Prinzip auf die Technik und insbesondere den Einsatz von Computern, so spricht man auch von maschinellem Lernen, also dem selbstständigen Lernen einer Maschine aus zuvor gemachten Fehlern. Dieses evolutionäre Prinzip nach dem Vorbild des natürlichen Selektionsprinzips wird in dieser Arbeit mit den evolutionären Algorithmen in Zusammenhang mit dem Leichtbau gebracht.
hinterlegt sind. Anhand von praxisnahen Beispielen, wie z.B. dem klassischen Biegebalken, soll geprüft werden, in wie weit sich diese Optimierungsmethode eignet und ein Vergleich zu den klassischen Strukturoptimierungen gezogen werden. Optimierungsmethoden, die auf evolutionären bzw. selbstlernenden Algorithmen basieren sind in der Lage, Fehler nach dem Evolutionsprinzip selbstständig zu verbessern. Dabei greift die Software auf die bereits in der Informatik bekannten Algorithmen zurück, die in der Software implementiert sind. Auch in anderen Bereichen, wie z. B. der Schaltungstechnik oder der Mess- und Regelungstechnik sind diese Algorithmen bereits im Einsatz. Sie basieren diese auf dem Prinzip der biologischen Evolution. Bezieht man dieses Prinzip auf die Technik und insbesondere den Einsatz von Computern, so spricht man auch von maschinellem Lernen, also dem selbstständigen Lernen einer Maschine aus zuvor gemachten Fehlern. Dieses evolutionäre Prinzip nach dem Vorbild des natürlichen Selektionsprinzips wird in dieser Arbeit mit den evolutionären Algorithmen in Zusammenhang mit dem Leichtbau gebracht.
Andere Kunden interessierten sich für
