Analyzing the complexity of ice with explainable machine learning for the development of an ice material model

Bibliographische Detailangaben

Titel
Analyzing the complexity of ice with explainable machine learning for the development of an ice material model
verantwortlich
Kellner, Leon (VerfasserIn); Ehlers, Sören (AkademischeR BetreuerIn); Hoffmann, Norbert (AkademischeR BetreuerIn); Technische Universität Hamburg (Grad-verleihende Institution); Technische Universität Hamburg Institut für Konstruktion und Festigkeit von Schiffen (Sonstige)
Hochschulschriftenvermerk
Dissertation, Technische Universität Hamburg, 2022
veröffentlicht
Hamburg: , 2022
Erscheinungsjahr
2022
Erscheint auch als
Kellner, Leon, Analyzing the complexity of ice with explainable machine learning for the development of an ice material model, Hamburg, 2022, 1 Online-Ressource (vi, 159 Seiten)
Medientyp
Buch Hochschulschrift
Datenquelle
K10plus Verbundkatalog
Tags
Tag hinzufügen
Zusammenfassung
Meeresregionen, die nur saisonal oder teilweise mit Eis bedeckt sind, sind für viele Interessengruppen von Bedeutung. Schiffe und Strukturen, die in diesen Regionen eingesetzt werden, müssen gegen Eislasten ausgelegt werden. Dies wird mit empirischen Ansätzen oder Modelleisversuchen gemacht, jedoch haben beide Ansätze mehrere Nachteile. Numerische Simulationen sind wünschenswert, aber deren Genauigkeit ist durch aktuelle Eismaterialmodelle begrenzt, da diese nur teilweise Eisverhalten abbilden können. Verbesserte Materialmodelle zu entwickeln ist durch Lücken, was Messungen in vollmaßstäblichen Versuchen und die Theorie der Eismechanik angeht, erschwert. Eine Datenbank kleinmaßstäblicher Versuche wird mit Ansätzen des erklärbaren maschinellen Lernens analysiert. Zudem wird ein Eismaterialmodell für elastisch-sprödes Verhalten von Eis entwickelt und in mehreren Studien angewandt.
Seasonally or partially ice-covered sea areas are attractive to many stakeholders. Ships and structures operating in these areas must be designed to withstand ice-induced loads. This is done with empirical methods and model-scale ice tests, but these have various drawbacks. Numerical simulations are a desirable remedy, but their accuracy is limited because current ice material models only partially capture ice behavior. Improving ice material models is difficult due to gaps in ice mechanics theory and full-scale measurements. Small-scale experimental data is analyzed with explainable machine learning for an improved understanding of ice. An elastic-brittle material model is developed and applied in several studies.
Umfang
vi, 159 Seiten; Illustrationen, Diagramme
Sprache
Englisch
Schlagworte
Maschinelles Lernen
BK-Notation
54.72 Künstliche Intelligenz
DDC-Notation
551.34 ; 620: Ingenieurwissenschaften ; 550