Makine öğrenimi teknikleri kullanılarak veriye dayalı birleşik malzeme modelinin geliştirilmesi
Development of a data-driven unified material model using machine learning techniques
- Tez No: 915557
- Danışmanlar: PROF. DR. BABÜR DELİKTAŞ
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 153
Özet
Modern teknolojik gelişmelerin sağladığı büyük veri zenginliği, birçok mühendislik disiplininde veriye dayalı metodolojileri büyük ölçüde geliştirmektedir. Bu tez, sayısal analizlerde malzeme modelleme ile ilgili çeşitli zorlukları ele almak için veriye dayalı makine öğrenimi teknikler geliştirmeye odaklanmaktadır. Bu bağlamda, makine öğrenimi, sonlu eleman (SE) analizi ve optimizasyon algoritmaları entegre edilerek SmartFIT adı verilen sayısal-deneysel hibrit bir parametre belirleme aracı geliştirilmiştir. Bu ters analiz tabanlı metodoloji, tek bir deney eğrisi kullanarak malzeme modeli doğru ve verimli bir şekilde kalibre etmektedir. SmartFIT programı, kullanıcı eleman alt rutininde (UEL) uygulanan bir kohezif bölge modelinin sekiz parametresini, kullanıcı malzeme alt rutininde (UMAT) uygulanan bir sertleşme modelinin dört parametresini ve bir Johnson-Cook plastisite modelinin beş parametresini başarıyla belirlemiştir. Bu yöntem, simülasyon ve deneysel sonuçlar arasında mükemmel bir uyum sağlarken, geleneksel optimizasyon algoritmalarından 2-3 kat daha hızlıdır. Bu tez aynı zamanda geleneksel malzeme modellere alternatif olarak veriye dayalı elastoplastik malzeme modeli (DD-ECM) geliştirmek için birleşik bir yaklaşım sunmaktadır. Önerilen DD-ECM, karmaşık yapı ve malzeme davranışı sergileyen bir kesme testi numunesini analiz etmek için SE çözücüsüne uygulanmıştır. SE analizleri, birleşik veriye dayalı yaklaşımın yüksek doğruluğunu ve verimliliğini göstermiş ve geleneksel malzeme modellerinden elde edilen sonuçlarla yakından uyumlu sonuçlar vermiştir. Ayrıca bu tez kapsamında, geliştirilen makine öğrenimi tabanlı tekniklerin çeşitli mühendislik problemlerine uygulanmasını incelemektedir. Bu uygulamalar arasında sürekli elyaf takviyeli kompozitin doğrusal elastik makroskopik davranışı, kısa elyaf takviyeli polimerlerin doğrusal olmayan elastoplastik davranışı, erozyona dayanıklı otoyol kenar taşlarının değerlendirilmesi ve iki yönlü fonksiyonel olarak derecelendirilmiş bir nanokiriş'in doğrusal olmayan stabilite davranışı yer almaktadır.
Özet (Çeviri)
The abundance of big data enabled by modern technological advancements is greatly enhancing data-driven methodologies across numerous engineering disciplines. This thesis centers on developing machine learning-based data-driven techniques to address various challenges associated with constitutive modeling in traditional numerical analyses. In this context, a numerical-experimental hybrid parameter identification tool called SmartFIT is developed by integrating machine learning, finite element (FE) analysis and optimization algorithms. This inverse analysis-based methodology utilizes a single experiment curve to calibrate the constitutive model accurately and efficiently. The SmartFIT program successfully identified eight parameters of a cohesive zone model implemented in user element subroutine (UEL), four parameters of a hardening model implemented in user material subroutine (UMAT), and five parameters of a Johnson-Cook plasticity model. This method provides an excellent fit between simulation and experimental results and is 2-3 times faster than traditional optimization algorithms. This thesis also presents a unified approach for developing a data-driven elastoplastic constitutive model (DD-ECM) as an alternative to classical models. The proposed DD-ECM is implemented into FE solver to analyze a shear test specimen exhibiting complex structure and behavior. FE analyses using DD-ECM demonstrated the high accuracy and efficiency of the unified data-driven approach, yielding results closely aligned with those from conventional constitutive models. Moreover, this thesis investigates the application of developed machine learning based techniques for various engineering problems. These applications include linear elastic behavior of continuous fiber-reinforced composite, elastoplastic behavior of short fiber reinforced polymers, evaluation of erosion-resistant highway shoulder rocks and nonlinear stability behavior of a two-way functionally graded nanobeam.
Benzer Tezler
- State of charge estimation of lithium-ion batteries using machine learning approach
Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini
OSMAN ALPER ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE AYAZ
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Coal gas content prediction on Kinik coalfield, Soma Basin with machine learning methods
Soma Havzasi Kinik Kömür Yataği'nda makine öğrenmesi yöntemleriyle kömür gazi i̇çeriği tahmini
SATUK BUĞRA AKDAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH FİŞNE
- A scheme proposal for the development of machine learning-driven agent-based models through case studies
Makine öğrenmesi destekli etmen tabanlı modellerin geliştirilmesine yönelik bir plan önerisi: Örnek modeller
YAKUP TURGUT
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAFER ERHAN BOZDAĞ
- Makine öğrenimi teknikleri ile veriye dayalı kısa vadeli doğal gaz talep tahmini
Data-based short-term natural gas demand forecasting with machine learning techniques
MUSTAFA ÇELEBİ
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN ÇERÇİOĞLU