METODA DE IDENTIFICARE A PROPRIETATILOR MECANICE FOLOSIND

MODELE SUROGAT

Identificarea proprietatilor materialelor implica experimentarea fizica urmata de modelare,

simulare si optimizarea manuala. Cu toate acestea, ultimul pas tinde sa fie computational scump.
Aceasta lucrare investigheaza o retea arficiala neurala (artificial neural network - ANN) a modelului
surogat pentru identificarea parametrilor materialului. Abordarea propusa este ilustrata cu un studiu de
caz bazat pe un test de nano-indentare.

I. Introducere

In stiinta materialelor si in inginerie, estimarea proprietatilor materialelor este asociata cu

cateva aplicatii, incluzand detectiarea defectelor materiaelor si design-ul noilor materiale. Identificarea
caracteristicilor materialelor puternic afectate’ este cu siguranta o cheie pentru dezvoltarea procesului
de design a materialului.
De obicei, identificarea proprietatilor materialelor implica experimentarea fizica urmata de
modelare, simulare si optimizarea manuala. In optimizarea manuala, diferite seturi de valori alea
parametrilor sunt propuse si simulari sunt efectuate. Optimizarea consta in determinarea carei
combinatii de parametri se potriveste cel mai bine cu datele experimentale fizice.
Aceasta lucrare vizeaza estimarea parametrilor materialelor, astfel incat identificarea sa se faca
mai rapid si mai ieftin decat in metodele coventionale.
O tehnica conventionala pentru estimarea proprietatilor mecanice este aproximarea unui
raspuns fizic prin mijloace de analiza a elementelor finite (finite element analysis – FEA). In primul rand,
se efectueaza un experiment pentru a obtine un raspuns fizic. Ulterior, modelul FEA este executat de
mai multe ori in incercarea de a reproduce raspunsul fizic. Pentru fiecare executie a modelului, valorile
procesate sunt atribuite variabilelor modelului de intrare (sau parametri), apoi raspunsul modelului este
comparat cu raspunsul fizic (Figura 1). Aceasta etore a fost raportata pentru testul de nanoidentare, in
care problema consta in gasirea unei predictii care se potriveste cel mai bine curbei experimentale
originale incarcare-adancime (Figura 2).
Desi aceasta metodologie s-a dovedit a fi efectiva in multe cazuri, succesul sau este puternic
influentat de experienta de proiectare. In plus, este impractic ca numarul parametrilor sa creasca, din
moment ce un numar mai mare de simulari devine necesar.
 Figura 1 – Intrari si iesiri pentru o metoda de abordare experimentala – simulare
̂𝒊 – iesiri si 𝒑
𝒙𝒆𝒙𝒑 si 𝒙𝒔𝒊𝒎 - intrari, 𝒚𝒆𝒙𝒑 si 𝒚 ̃ 𝒊 – vector de incercare al parametrilor

Figura 2 - Curba de adancime de încarcare a unui experiment de nanoindentare si simulari

din parametrii de incercare (FEA 01, FEA 04)

Abordarea propusa are ca scop pe cat posibil cat mai putine simulari, care sunt folosite pentru a
genera un model surogat care poate fi folosit "în locul computerului original "pentru a genera un
raspuns cu mai putin timp de calcul. Astfel, raspunsul modelului surogat poate fi comparat cu datele
experimentale si tehnicile de optimizare pot fi utilizate pentru a gasi valorile dorite ale parametrilor.
Modelele surogat sunt construite folosind datele extrase din modele de inalta fidelitate si ofera rapid
aproximari ale obiectivelor si constrangerilor la noile puncte de proiectare, facand astfel studiile de
optimizare fiabile. Tehnicile comune de modelare a surogatului includ spline, aproximare polinomiala,
modele Kriging, functii radiale de baza si retele neuronale artificiale (artificial neural networks - ANNs).
Simpson si colaboratorii (2008) explica utilizarea in crestere a modelelor surogat. Recenzia lor
include multe evolutii in proiectarea si analiza computerelor experimentale (design and analysis of
computer experiments - DACE) si noi tehnici de modelare surogat propuse in ultimele decenii. Pe de alta
parte, au fost elaborate metodologii robuste pentru calcularea proprietatilor metalo-mecanice. Cu toate
acestea, foarte putine incercari s-au concentrat pe metode eficiente computationale. In plus,
majoritatea acestora se concentreaza pe interpretarea fizica a rezultatelor, insa nu s-au facut prea multe
despre abordarile bazate pe DACE.
In consecinta, obiectivul acestei cercetari este de a dezvolta o metodologie sistematica, generala
si robusta pentru a determina parametrii materialelor intr-un numar minim de simulari computerizate,
reducand astfel costul proceselor de identificare conventionale.
Aceasta lucrare este structurata astfel:
- Sectiunea II descrie problema.
- Metodologia este prezentată în sectiunea III.
- Sectiunea IV ilustreaza abordarea propusa cu un studiu de caz pentru problema
ananoindentarii.
- In cele din urma, ultima sectiune trage concluzii si zone de cercetari ulterioare.

II. Descrierea problemei

Problema generala poate fi prezentata astfel:

𝑥 𝑥
𝑀𝑖𝑛 |∫𝑥 𝑓𝑖𝑛𝑎𝑙 𝐹(𝑥, 𝑝)𝑑𝑥 − ∫𝑥 𝑓𝑖𝑛𝑎𝑙 𝐹̃ (𝑥, 𝑝̃)𝑑𝑥 | (1)
0 0
g(x,p) = 0.
F(x,p) - raspunsul experimentului.
𝐹̃ (𝑥, 𝑝̃) - predictia obtinuta de modelul surogat.
x – variabila independenta.
p – un vector al parametrilor care este prezent in material, dar care are distanta si valorile necunoscute.
𝑝̃ - un vector al parametrilor, dar valorile sale sunt cunoscute.
𝑥0 – valoarea initiala a lui x.
𝑥𝑓𝑖𝑛𝑎𝑙 – valoarea finala a lui x.
Restrictia g(x,p) garanteaza ca raspunsurile experimentale si cele anticipate coincid.
 III. Metodologia

Figura 3 - Schema de calcul a unei metodologii de abordare bazata pe modelul surogat cu

ISC incorporat

Metodologia urmeaza algoritmul EGO propus de Sasena și colab. care garanteaza crearea unui
model surogat precis. Algoritmul functioneaza pentru inceput prin obtinerea unui set de puncte de
proba. Ulterior, se efectueaza simulari riguroase pentru fiecare punct de proba si un model surogat este
adaptat acelor rezultate ale simularii. Urmatorul pas este de a optimiza functia obiectiva de interes. In
cazul in care un criteriu de reziliere bazat pe criteriul de prelevare a mostrelor (infill sampling criterion -
ISC) nu este indeplinit, atunci modelul surogat este actualizat cu noi puncte de proba. Ulterior, ISC este
maximizat pentru a selecta urmatoarele puncte de proba care vor fi adaugate. In cele din urma,
procedura este repetata pana la atingerea criteriului de terminare. Schema de evolutie a acestei
metodologii este prezentata in figura 3.

A. Strategia de esantionare a datelor initiale

Un numar finit de puncte de esantionare sunt necesare pentru a crea un model surogat. Aceste
puncte trebuie sa fie bine distribuite in spatiul de proiectare.
Pentru a asigura acuratetea modelului surogat in fiecare regiune a spatiului de proiectare,
diverse esantionari tehnice au fost propuse. In aceasta lucrare, folosim Latin hypercube sampling (LHS).
O variatie a LHS este Latin hypercube (OLH) optim pentru prelevarea de probe. OLH utilizeaza
algoritmul de perechi de coloane si genereaza un design optim cu privire la criteriul de optimizare.
Optimizarea cauta sa maximizeze distanta medie dintre fiecare punct de proiectare si toate celelalte
puncte din proiectare, astfel incat punctele sunt pe cat posibil raspandite de-a lungul spatiului de
proiectare.
 B. Crearea modelului de surogat

Acest pas consta in efectuarea de simulari la punctele de proba proiectate, apoi raspunsurile
simularii sunt utilizate pentru crearea modelului surogat. Un proces ulterior de validare poate fi folosit
pentru a reduce incertitudinea naturala in modelele surogat cu un numar limitat de puncte de
proiectare.
In aceasta lucrare folosim ANNs ca metoda surogat. Unele avantaje ale ANNs sunt reprezentate
de versatilitatea si simplitatea lor. ANNs ofera, de asemenea, o recunoastere mai buna a tiparelor in
date si poate duce la preziceri mai bune ale variabilelor de raspuns decat metodele convenționale.
ANNs sunt modele computationale inspirate de sistemele nervoase centrale animale (in special
creierul), care sunt capabile de invatarea mecanica si recunoasterea modelelor. Ele sunt de obicei
prezentate ca sisteme de "neuroni" interconectati, care pot calcula valorile din intrari prin alimentarea
informatiilor prin intermediul retelei. Trei ANNs tipice sunt: propagarea inversa, gradientul conjugat si
metodele Levemberg-Marquardt.
Un ANNs este instruit prin prezentarea in mod repetat a unei serii de intrari si iesiri configurate
in retea. Reteaua neurala "învață" treptat relatia de interes, prin modificarea greutatilor intre neuroni,
pentru a minimiza eroarea dintre modelele actuale de iesire si cele preconizare. Apoi, un set de date
separat, numit set de test, este folosit pentru a monitoriza performanta retelei. In timpul
antrenamentului, regula de invatare este folosita pentru ajustarea iterativa a greutatilor si distorsiunilor
retelei pentru a muta iesirile retelei mai aproape de valorile tinta prin minimizarea indicatorului de
performanta al retelei.
Daca multe ANNs-uri sunt instruite, este necesara alegerea celui mai bun, prin masurarea
performantelor individuale ale acestora. Abilitatea modelelor surogat de a reproduce modelul original
este frecvent cuantificata prin valori, cum ar fi root-mean squared deviation (RMSD). Matoda Bayesian
poate fi, de asemenea, aplicata cu succes pentru a cuantifica probabilitatea de incertitudine a datelor in
predictia facuta de un set de modele surogat. Shi a folosit RMSD cu metoda lnQ Bayesian, si Noble a
folosit Corrected Akaike’s Information Criterion (AICc) si Schwarz’s Bayesian Criterion (SBC). Un model
surogat este selectat in conditiile celor mai mici incertitudini (in cazul metodei lnQ) sau cel mai mic
punctaj (in cazul AICc si SBC).

C. Optimizarea cu Infill Sampling Criterion (ISC)

Pentru a imbunatati acuratetea modelului surogat si pentru a facilita cautarea optimului global,
este propusa folosirea ISC-ului.
Scopul ISC este de a gasi setul de valori ale parametrului 𝓅i, denumit si variabila de proiectare,
care maximizeaza estimarea erorii preconizata de modelul surogat. Prin urmare, ISC cauta zone din DS
cu eroare estimată mare. Pentru a face acest lucru, ISC foloseste informatii ale modelului curent pentru
a accesa utilitatea evaluarii unei variabile de proiectare pe problema reala. Domeniul de aplicare al
criteriilor de completare variaza de la cresterea acuratetii globale a modelului surogat pentru a facilita
procesul final de optimizare.
 Un exemplu de algoritm ISC bazat pe modelele surogat Kriging este algoritmul superEGO,
introdus de Sasena și colab. Similar cu superEGO, o abordare ISC propusa se face pentru ANN.
ISC propus se bazeaza pe valoarea offset (eroare) 𝑙𝐹̃ (𝑝̃), care este un indice de calitate construit
pe baza RMSD intre raspunsul actual si datele simularii. Poate fi formulată ca:
1
𝑙𝐹̃ (𝑝̃) = √𝑚 ∑𝑚 ̃ ̃) − 𝐹(𝑥𝑖 , 𝑝))2 , (2)
𝑖=1(𝐹 (𝑥𝑖 , 𝑝

𝐹(𝑥𝑖 , 𝑝) - 𝑖 𝑡ℎ raspusul real al experimentului la punctele 𝑥𝑖 ,

𝐹̃ (𝑥𝑖 , 𝑝̃) - predictia surogat la acest punct,
m – numarul total al punctelor de experiment.
Se incearca selectarea unui parametru de proiectare cu cea mai mare contributie la eroarea
curenta. Pentru a estima reprezentativitatea unui set selectat 𝑝̃𝑖 , introducem o functie ponderata:
𝑤𝑖.𝑗 = 𝑑(𝑝̃𝑖 , 𝑝̃𝑗 ), (3)
2
𝑑(𝑝̃𝑖 , 𝑝̃𝑗 ) = 1 − exp(−‖𝑝̃𝑖 − 𝑝̃𝑗 ‖ ). (4)
Aceasta functie de greutate da similaritatea variabilelor de proiectare. Cand cele doua variabile
de proiectare se afla aproape una de cealalta, valoarea acestei functii este mica si invers, cand cele doua
variabile de proiectare sunt departe, valoarea functiei este mare.
Deoarece acest criteriu urmareste sa maximizeze diferenta dintre raspunsul experimentului si
acele variabile de proiectare ce se deosebesc semnificativ de datele originale OLH esantionate, expresia
ISC devine:
𝑝̃𝑖 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑝̃𝑖𝜖𝐷𝑆 ∑𝑛𝑗=1 𝑤𝑗 (𝐼(𝑝̃𝑖 ) − 𝐼(𝑝̃𝑗 )). (5)

IV. Studiu de caz

Datele experimentului sunt oferite de o relatie stres-solicitare nonlineara (curba de intarire) intr-
un material din aluminiu-aliaj, obtinut cu ajutorul unui tester de nanoindentari.
Experimentul nanoindentarii se realizeaza pe baza ISO14577-1 (2002). Rezultatul experimentului
este prezentat in figura 4. Obiectivul este de a estima valorile elementelor ale vectorului parametrilor:
𝑝 = {𝐸, 𝐶, 𝑛, 𝛼}, (6)
E - modulul Young,
C - coeficientul curbei de intarire,
𝑛 - exponentul curbei de intarire,
𝛼 - constanta acesteia.
Determinarea acestor parametri este frecvent utilizata pentru evaluarea fiabilitatii mecanice a
materialelor (ex: fractura, coroziune si uzura).
 Figura 4 - Diagrama de adancime a sarcinii pentru studiul de caz al problemei indentarii:
𝒙𝒇 - valoarea finala a amprentei de contact dupa descarcare
𝒚𝒎𝒂𝒙 - varful indentatiei de incarcare
𝒙𝒎𝒂𝒙 - deplasarea ideala a indentarii la sarcina maxima
k - calibrarea post-experimentala.

Testul de nanoindentare este un test la scara redusa efectuat cu deplasari de ordin nanometric,
deoarece varful indenterului este greu de pozitionat exact peste material la inceputul experimentului.
Prin urmare, indenterul incepe sa se deplaseze in jos din susul materialului formand un spatiu
intre varful indenterului si suprafata.Atunci cand celula de sarcina detecteaza forta de reactie de pe
suprafata materialului, deplasarea este setata la zero iar forta si deplasarea incep sa fie inregistrate. Cu
toate acestea, semnalul de incarcare include zgomot si rezolutia digitala a incarcarii este restrictionata,
astfel incat este dificil sa se simtaforta atingerii cu exactitate, de asemenea poate aparea si o intarziere.
Mai mult decat atat, varful intenderului nu este garantata a fi destul de ascutit, deoarece acesta poate fi
rotunjit prin experimente repetate. Imperfectiunea varfului afecteaza de asemenea eroarea si
intarzierea la contactul initial. Prin urmare, indentarea deplasarii poate fi subestimata. Ca urmare,
indentarea deplasarii necesita un proces de calibrare ce poate corecta initialele erori de contact.
Aici, un factor de calibrare 𝑘 este introdus ca si constanta necunoscuta care reprezintă diferenta
dintre deplasarea maxima ideala, 𝑥𝑚𝑎𝑥 , si valoarea maxima de deplasare masurata (figura 4).
 Deoarece varful curbei de adancime este zgomotos, raspunsul initial este regresat. Atunci
deplasarea maxima reala devine convergenta unei regresii atat a curbelor de incarcare cat si a celor de
descarcare.
O procedura clasica este de a adopta o regresie folosind legea de putere asa cum au sugerat
Oliver și Pharr. Ecuatia raspunsului experimental, inclusiv calibrarea, este reafirmata astfel:
𝐴1 (𝑥 + 𝐶1 + 𝑘)𝑛1 , 𝑥 ∈ [𝑥0 , 𝑥𝑚𝑎𝑥 ]
𝐹(𝑥, 𝑝) = { (7)
𝐴2 (𝑥 + 𝐶2 + 𝑘)𝑛2 , 𝑥 ∈ [𝑥𝑓 , 𝑥𝑚𝑎𝑥 ]
𝐴𝑖 , 𝐶𝑖 , si 𝑛𝑖 - coeficientii curbei de regresie 𝑖𝑡ℎ ,
𝑥 – adancimea,
𝑘 - constanta de calibrare a intregului raspuns experimental.
Deoarece deplasarea reala maxima este considerata a fi intersectia incarcarii cu descarcarea
curbei de regresie, valoarea lui 𝑘 poate fi calculata cu metoda celor mai mici patrate (LS) folosind un
dispozitiv de optimizare generala. Acest problema intermediara consta in rezolvarea:
𝑘 = 𝑥𝑚𝑎𝑥 − 𝑚𝑖𝑛𝑥 |𝐴1 (𝑥 − 𝐶1 )𝑛1 − 𝐴2 (𝑥 − 𝐶2 )𝑛2 | (8)

unde indicele 1 se refera la coeficientii care apartin regresiei de incarcare, iar indicele 2 se refera la
regresia de descarcare.

A. Strategia de esantionare

Deoarece OHS este destinat unor domenii asemanatoare box-urilor, a limitelor minime si
maxime pentru fiecare dintre parametrii solicitati trebuie să fie specificati. Aceste limite superioare si
inferioare constituie regiune fixa in spatiul de proiectare. Parametrul limitelor sunt prezentate in tabelul
I.
TABLE I: DESIGN SPACE OF INPUT VARIABLES
Parameters E(GPa) C(MPa) n 𝛼
Lower Limit 50 500 0.1 0
Upper limit 150 1500 0.3 0.002

Pentru a simplifica problema, in acest studiu de caz, vom considera ca setul de puncte de proba
satisface Infill Sampling Criterion (ISC) descris in sectiunea III.
TABLE II: LHS OF 8 PARTITIONS, 4 VARIABLES
Parameters E(GPa) C(MPa) n 𝛼
1 55.31471 611.9684 0.218075 5.24E-04
2 132.059 549.7711 0.163307 7.85E-04
3 75.79828 715.9358 0.143577 1.94E-03
4 89.83298 848.659 0.108379 4.97E-04
5 119.3931 656.3377 0.265272 1.52E-03
6 144.2803 932.2771 0.198678 1.21E-03
7 108.1492 769.9889 0.291477 1.00E-07
8 69.99183 947.56 0.225471 1.35E-03
 Figura 5: Indenter (galben) si material din aluminiu (albastru) in FEM, in 2D, prin interfata in MARC
MENTAT®. Culorile reprezinta deformarea scalara in conturul ochiului.

Proiectarea experimentelor a fost realizata folosind optimum LHS inclus in pachetul "LHS" al
mediului de programare statistic "R". Punctele generate pentru esantionare sunt prezentate in tabelul II.
Ulterior, s-au efectuat simulari asupra acelor puncte utilizand software-ul de simulare MARC®. Datele
numerice din FEA sunt folosite pentru instruirea si verificarea ANN (figura 5).

B. Creareamodelului de surogat

In aceasta cercetare, sase parametri sunt considerati ca intrari/ contributii variabile. Patru dintre
ele reprezinta proprietatile materialelor, una este variabila independenta (deplasarea) a experimentului
si inca o variabila 𝑏 este un artificiu binar care ajuta la separarea predictiei in doua sectiuni (incarcare si
descarcare). In scopuri computationale, functia reafirmata a modelului surogat este:
𝐹̃ (𝑥, 𝑝̃) ≡ 𝐹̃ (𝑥, 𝑏, 𝑝̃). (9)

In (9), 𝑏 = 0 reprezinta sectiunea de incarcare a curbei iar 𝑏 = 1 este pentru sectiunea de

descarcare a curbei din figura 3.
ANNs au fost create folosind caseta de instrumente Neuroet [9]. Numarul optim de neuroni din
stratul ascuns se obtine prin intermediul unei functii incorporate in Neuroet.
In plus, pentru a selecta un model surogat adecvat , o analiză statistica bazata pe scorul SBC a
fost executata. Criteriul a constat in selectarea caracteristicilor ANN care au cea mai mare probabilitate
de a fi incluse in top 5% dintre 3 × 15 × 18 × 12 ANNs scoruri SBC.
 Analiza a aratat ca raspunsul pentru nano-indentare(curba de adancime a incarcaturii), un ANN
antrenat cu 8 straturi ascunse utilizand metoda standard de propagare inversa a produs cel mai mic SBC.
Mai mult de atat, transferul dintre stratul de intrare si stratul ascuns a fost setat pentru log-sigmoid, in
timp ce functia de transfer dintre stratul ascuns si stratul de iesire a fost pur-linear.

C. Refacerea Functiei Obiective

In functia obiectiva, este important sa se ia in considerare ca experimentul este zgomotos si, de

asemenea, s-ar putea pierde anumite informatii sau un sir de informatiianumite sectiuni ale curbei.
Primul termen din (1) se refera la integrarea curbei experimentale aproximata prin integrare din (7)
dupa cum urmeaza:
𝑢 𝑥 𝑥
∫𝑢 𝑓𝑖𝑛𝑎𝑙 𝐹(𝑥, 𝑏, 𝑝)𝑑𝑥 ≈ ∫𝑥 𝑚𝑎𝑥 𝐴1 (𝑥 + 𝐶1 )𝑛1 𝑑𝑥 + ∫𝑥 𝑓 𝐴2 (𝑥 + 𝐶2 )𝑛2 𝑑𝑥 (10)
0 0 𝑚𝑎𝑥
𝐴1 , 𝐶1 si 𝑛1 - apartin unei regresii de curba de incarcare,
𝐴2 , 𝐶2 si 𝑛2 - apartin curbei de descarcare,
𝑥𝑚𝑎𝑥 - adancimea maxima (figura 1).

Al doilea termen din (1) este aproximat ca:

𝑥𝑓𝑖𝑛𝑎𝑙 (𝑥 −𝑥 )∗(𝑦̂ +𝑦̂ )
∫𝑥 𝐹̃ (𝑥, 𝑝̃)𝑑𝑥 ≈ ∑𝑛𝑖=0 𝑖 𝑖−1 2 𝑖 𝑖−1 (11)
0
𝑦̂𝑖 - predictia modelului surogat in 𝑥𝑖 .

In cele din urma, restrictia 𝑔(𝑥) este implementata ca o functie de penalizare compusa:
𝑔(𝑢) = 𝜔1 ∗ |𝐴1 (𝑥𝑚𝑎𝑥 + 𝐶1 )𝑛1 − 𝐹̃ (𝑥𝑚𝑎𝑥 , 0, 𝑝̃)| (12)
𝜔1 - o greutate care poate fi reglata manual,
𝐴1 (𝑥𝑚𝑎𝑥 + 𝐶1 )𝑛1 - varful curbei incarcarii regresate,
𝐹̃ (𝑥𝑚𝑎𝑥 , 0, 𝑝̃) - varful curbei de incarcare a modelului surogat.

Constrangerea reprezinta o diferenta ponderata intre atat curba experimentala, cat si varfurile
de curba prezise. Valoarea lui 𝜔1 este probabil sa varieze in functie de scara de predictie sau numarul de
parametri (alte caracteristici, cum ar fi dispersia raspunsului initial, care ar putea influenta de
asemenea). Greutatea lui 𝜔1 a dat rezultate satisfacatoare pentru acest studiu de caz (4 parametri cu o
adancime maxima de 𝑥𝑚𝑎𝑥 = 250 [nm]) pentru intervalul 0,1 ≤ 𝜔2 ≤ 0,3.

D. Optimizare

In metodologia propusa, scopul este de a gasi strategic o combinatie de intrari care rezolva (1).
Pot fi utilizati mai multi algoritmi de optimizare stochastica. Cum (1) este o functie neliniara, un
optimizator global poate aborda aceasta problema. Am folosit algoritmul evolutiei diferentiale (DE),
pentru a gasi parametrii optimi de material.
 E. Rezultate

Calculele au fostefectuate cu R, peun Core 2 Duo computer, care ruleaza Windows 7 32bits.
Optimizarea a fost executatata de 10 ori si a durat aproape 4 minute pana la finalizarea fiecareia.
Rezultatele sunt prezentate in tabelul III. In plus, pentru a valida aceste rezultate, le-am comparat cu o
procedura FEA ajustata manual/
TABLE III: RESULTS OBTAINED WITH ANN VS A MANUAL FITTING
Parameters E(GPa) C(MPa) n 𝛼
Optimized (mean) values 82.95 820.9 0.1308 2.680E-4
Standard deviation 0.07 3.0 0.001 0.296E-4
Manually fitted values 80 800 0.1 0.099E-4

Ajustarea manuala conventionala necesita experti in stiinta materialelor pentru a efectua de la

10 pana la 20 de simulari, fiecare durand aproximativ 30 min in MARC® pe o stație de lucru HP Intel
Xeon.
In cele din urma, am facut doua simulari FEM utilizand ambele valorile medii optimizate si
valorile montate manual din Tabelul III. Figura 7 prezinta simularea FEM utilizand propusa metodologie
prezisa. Tabelul IV contine RMSD reale a ambelor curbe, fiecare față de raspunsul fizic al experimentului.

Figura 7 - Curba adancimii de incarcare a experimentului fizic fată de o simulare folosind parametrii
optimi bazati pe surogat
 TABLE IV: ACCURACY OF ANN VS MANUAL FITTING
Simulated curves RMSD (mN)
Optimized values 0.0535
Manually fitted values 0.1349

V. Concluzie

A fost propusa o metoda pentru identificarea proprietatilor mecanice ale materialelor.

Rezultatele subliniaza faptul ca modelele surogat pot fi utilizate impreuna cu un algoritm optimizat
pentru identificarea parametrilor materialelor. Un studiu de caz a fost prezentat pentru estimarea
parametrilor de material obtinuti de la o curbă de adancime de incarcare nanoindenta si de la un numar
mic de simulari pe calculator. Metodologia propusa imbunatateste costurile de calcul si de timp si, de
asemenea, precizia metodelor existente.
Activitatea ulterioara include explorarea altor tehnici de modelare surogat cum ar fi Kriging sau
Vector Machine Support, si compararea. De asemenea, un spatiu de design schimbator merita luat in
considerare. In cele din urma, se intentioneaza investigarea problemelor mai complexe care implica un
numar mai mare de parametri de materiale.