- AutorIn
- M. Sc. Alex Halle Technische Universität Chemnitz
- Prof. Dr. sc. ETH Alexander HasseTechnische Universität Chemnitz
- Titel
- Topologieoptimierung mittels Deep Learning
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-343438
- Übersetzter Titel (EN)
- Topology optimization based on Deep Learning
- Konferenz
- 11. SAXSIM-SAXON SIMULATION MEETING. Chemnitz, 26.03.2019
- Quellenangabe
- 11. SAXON SIMULATION MEETING : Präsentationen und Vorträge des 11. Anwendertreffens am 26. März 2019 an der Technischen Universität Chemnitz
- Abstract (DE)
- Die Topologieoptimierung ist die Suche einer optimalen Bauteilgeometrie in Abhängigkeit des Einsatzfalls. Für komplexe Probleme kann die Topologieoptimierung aufgrund eines hohen Detailgrades viel Zeit- und Rechenkapazität erfordern. Diese Nachteile der Topologieoptimierung sollen mittels Deep Learning reduziert werden, so dass eine Topologieoptimierung dem Konstrukteur als sekundenschnelle Hilfe dient. Das Deep Learning ist die Erweiterung künstlicher neuronaler Netzwerke, mit denen Muster oder Verhaltensregeln erlernt werden können. So soll die bislang numerisch berechnete Topologieoptimierung mit dem Deep Learning Ansatz gelöst werden. Hierzu werden Ansätze, Berechnungsschema und erste Schlussfolgerungen vorgestellt und diskutiert.
- Freie Schlagwörter (DE)
- Künstliches Neuronales Netzwerk, GAN, KNN, ANN, generativ
- Freie Schlagwörter (EN)
- Machine Learning, Topology optimization, Artificial Neural Network
- Klassifikation (DDC)
- 629
- Normschlagwörter (GND)
- Topologieoptimierung, Deep learning, Maschinelles Lernen, Neuronales Netz, TensorFlow, keras, Optimierung
- Publizierende Institution
- Technische Universität Chemnitz, Chemnitz
- Version / Begutachtungsstatus
- angenommene Version / Postprint / Autorenversion
- URN Qucosa
- urn:nbn:de:bsz:ch1-qucosa2-343438
- Veröffentlichungsdatum Qucosa
- 05.07.2019
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch