Treffer: Neuronale Netze zur Startwertschätzung bei der Identifikation piezoelektrischer Materialparameter.

This paper proposes an approach for the identification of a full set of piezoelectric material parameters based on the measurement of the electrical impedance of a single specimen solving an inverse problem. Previous work shows that the regularisation of the required optimisation procedure is a significant challenge due to the considerable number of material parameters that must be determined. In light of these observations, this study aims to elucidate the extent to which data-based machine learning methods can facilitate the development of a more robust and efficient solution to the inverse problem. The objective of this paper is to propose a method for estimating initial values for the gradient-based optimisation process based on a neural network. The network is trained using synthetic data, thereby approximating the inverse of a simulation model for the electrical impedance with given piezoelectric material parameters. Synthetic training data is generated by evaluating a classical simulation model, which is also used to solve the inverse problem, sufficiently often with randomised material parameters. The neural network is used to determine values for material parameters which, based on an evaluation of the objective function of the inverse problem, describe the physical behaviour better than the analytically determined values used in previous work. This significantly reduces the complexity and computational effort of the subsequent optimisation process. [ABSTRACT FROM AUTHOR]

In diesem Beitrag wird ein Ansatz zur Identifikation eines vollständigen Satzes piezoelektrischer Materialparameter basierend auf der Messung der elektrischen Impedanz anhand eines einzelnen Probekörpers durch Lösung eines inversen Problems vorgestellt. Vorangegangene Arbeiten zeigen, dass die Regularisierung des zur Lösung eingesetzten Optimierungsverfahrens aufgrund der großen Anzahl an zu bestimmenden Materialparametern anspruchsvoll ist. Darauf aufbauend wird vorgestellt, inwiefern datenbasierte Methoden des maschinellen Lernens zu einer robusteren und effizienteren Lösung des inversen Problems beitragen können. Insbesondere eine verbesserte Startwertschätzung für den gradientenbasierten Optimierungsprozess basierend auf einem neuronalen Netz steht im Mittelpunkt dieses Beitrags. Dieses Netz wird mithilfe synthetischer Daten trainiert und approximiert die Inverse eines Simulationsmodells für die elektrische Impedanz bei gegebenen piezoelektrischen Materialparametern. Die synthetischen Trainingsdaten werden generiert, indem ein klassisches Simulationsmodell, das auch für die Lösung des inversen Problems eingesetzt wird, ausreichend oft mit randomisierten Materialparametern ausgewertet wird. Mithilfe des neuronalen Netzes werden Werte für Materialparameter bestimmt, die, basierend auf einer Auswertung der Zielfunktion des inversen Problems, das physikalische Verhalten besser beschreiben als die in vorangegangenen Arbeiten verwendeten, analytisch ermittelten Werte. Dadurch kann die Komplexität und der Rechenaufwand des anschließenden Optimierungsverfahrens signifikant reduziert werden. [ABSTRACT FROM AUTHOR]

Copyright of Technisches Messen is the property of De Gruyter and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)