Agócs, Norbert and Kossa, Attila (2025) Hiperelasztikus anyagok modellezése adatalapú módszer és neurális hálózat alkalmazásával Python környezetben = Modelling the deformation of hyperelastic solids based on data-driven approach using Neural Network Models in Python. In: OGÉT 2025, XXXIII. Nemzetközi Gépészeti Konferencia = 33rd International Conference on Mechanical Engineering, 2025.05.08-2025.05.11, Nagyvárad.
|
Text
2025_Agocs_OGET.pdf - Published Version Download (2MB) | Preview |
Abstract
Kutatásunk célja egy adatalapú módszer kidolgozása egy kétdimenziós, nem szabályos geometriájú, hiperelasztikus test erő-elmozdulás viselkedésének modellezésére. A vizsgált téglalap alakú testben egy körkivágás található, egyik oldala rögzített, míg a másik oldalon előírt elmozdulási kényszert alkalmazunk. A nemlinearitást egy feedforward neurális hálózat közelíti, amelyet Python környezetben, Abaqus végeselemes szimulációkkal generált adathalmazokon tanítunk. A körkivágás pozíciójának és sugarának változtatásával elemezzük a mechanikai választ. Az eredmények igazolják, hogy a módszer pontosan előrejelzi az erő-elmozdulás karakterisztikát, miközben optimalizálja a számítási költségeket. | Our research aim to develop a data-driven approach to model the force-displacement behavior of a two- dimensional hyperelastic body with an irregular geometry. The geometry consists of a rectangular deformable body with a circular cutout, where one side is fixed, and a displacement constraint is applied to the other side. A feedforward neural network, trained in Python, approximates the nonlinear behavior using virtual datasets from automated finite element simulations in Abaqus. By varying the cutout’s position and radius, we analyze the mechanical response. The results confirm that this approach accurately predicts force-displacement characteristics while optimizing computational costs. | Kutatásunk célja egy adatalapú módszer kidolgozása egy kétdimenziós, nem szabályos geometriájú, hiperelaszti- kus test erő-elmozdulás viselkedésének modellezésére. A vizsgált téglalap alakú testben egy körkivágás található, egyik oldala rögzített, míg a másik oldalon előírt elmozdulási kényszert alkalmazunk. A nemlinearitást egy feedforward neurális hálózat közelíti, amelyet Python környezetben, Abaqus végeselemes szimulációkkal generált adathalmazokon tanítunk. A körkivágás pozíciójának és sugarának változtatásával elemezzük a mechanikai választ. Az eredmények igazolják, hogy a módszer pontosan előrejelzi az erő-elmozdulás karakterisztikát, miközben optimalizálja a számítási költségeket.
| Item Type: | Conference or Workshop Item (Paper) |
|---|---|
| Additional Information: | Jelen kutatás a Kulturális és Innovációs Minisztérium Nemzeti Kutatási, Fejlesztési és Innovációs Alapból nyújtott támogatásával valósult meg. Pályázati azonosító: FK 142457. A jelen tanulmánybna bemutatott tudományos eredmények az MTA Bolyai János Kutatási Ösztöndíj támogatásával készültek. A Doktoranduszi Kiválósági Ösztöndíj Program (DKÖP) által támogatott projekt a Kulturális és Innovációs Minisztérium Nemzeti Kutatási Fejlesztési és Innovációs Alapból nyújtott, valamint a Budapesti Műszaki és Gazdaságtudományi Egyetem támogatása alapján valósult meg. |
| Uncontrolled Keywords: | hyperelastic materials, feedforward neural network, automated finite element simulation, machine learning, data-driven approach, hiperelasztikus anyagok, feedforward neurális hálózat, automatizált végeselemes szimuláció, gépi tanulás, adatvezérelt megközelítés |
| Subjects: | T Technology / alkalmazott, műszaki tudományok > T2 Technology (General) / műszaki tudományok általában |
| SWORD Depositor: | MTMT SWORD |
| Depositing User: | MTMT SWORD |
| Date Deposited: | 11 Sep 2025 06:45 |
| Last Modified: | 11 Sep 2025 06:45 |
| URI: | https://real.mtak.hu/id/eprint/223938 |
Actions (login required)
 |
Edit Item |
