Materialeigenschaften und Vorhersage

Überblick und Publikation

• Folgende Publikationen lesen:

[1] M. A. Devi, C. P. S. Prakash, R. P. Chinnannavar, V. P. Joshi, R. S. Palada, and R. Dixit, “An Informatic Approach to Predict the Mechanical Properties of Aluminum Alloys using Machine Learning Techniques,” in Proceedings of the International Conference on Smart Electronics and Communication (ICOSEC 2020) IEEE Xplore Part Number: CFP20V90-ART, 2020. PDF

[2] C. Karina, P.-jo Chun, and K. Okubo, “Tensile strength prediction of corroded steel plates by using machine learning approach,” Steel and Composite Structures, vol. 24, no. 5, 2017. PDF

[3] S. Bosse, E. Kalwait, Damage and Material-state Diagnostics with Predictor Functions using Data Series Prediction and Artificial Neural Networks, ECSA 2020 MDPI, 15.11 -30.11.2020, Basel, Switzerland PDF

• Dabei folgende Punkte herausarbeiten und Fragen für sich selbst beantworten:

1. Welche Eigenschaften werden gemessen und als Eingabevariablen verwendet?
2. Welche Zielvariablen können bestimmt werden?
3. Welches ML Verfahren (Algorithmus) wird verwendet?
4. Welche Rolle spielen Experimente, und welche Simulation (FEM)?

Daten

DATA: Variable State.dataSets Type: (number [2][874]|number [2][759]|number [2][872]|number [2][808]|number [2][710]|number [2][788]|number [2][731]|number [2][728]|number [2][725]|number [2][785]|number [2][713]|number [2][803]|number [2][575]|number [2][536]|number [2][585]|number [2][1110]|number [2][1185]|number [2][988]|number [2][1124]|number [2][1009]|number [2][1143]|number [2][1080]|number [2][1107]|number [2][761]|number [2][780]|number [2][779]|number [2][689]|number [2][836]|number [2][739]|number [2][789]|number [2][747]|number [2][592]|number [2][802]|number [2][729]|number [2][712]|number [2][660]|number [2][796])[42]

• Daten aus 42 Zugversuchen (Fraunhofer IFAM, Aluminiumbleche mit unterschiedlicher thermischer Behandlung)
• Drei Serien
  • Serie F: #0-#14
  • Serie R: #15-#26
  • Serie T: #27-#41

typeOf dataSets = number [strain,force] [rows] [42]

• x=strain, f=force

Eingabe- und Zielvariable

• Eingabevariablen sind der gemessene Weg (Dehnung) x und die auftretendene gemessene Kraft f. Obwohl hier y=f(x) gilt, ist f nicht die Zielvariable sondern die zweite Eingabevariable!

• Die Zielvariable ergibt sich aus der Fragestellung und soll der x Wert sein wo es zu dem Bruch der Probe komnt (siehe Messkurve), d.h., y=x_b einer Messrreihe und einer Probe.

• Für das Training muss der Werte x_b aus jeder Messreiehe approximativ berechnet werden (Das Label für das ML Training)

• Das algorithmisch zu lernende Modell soll dabei die ersten 10 Messpunkte (x,f) als Eingabeparameter und den prädiktiven x_b Wert als Ausgangsparameter besitzen:

• Die Messreihe liegt aber nicht linear mit Bezug zu der x Variable vor, d.h. Δx≠const!

• Daher müssen die Daten linearsiert werden (nicht zu verwechseln mit der Normalisierung/Skalierung, die auch nich erfolgen muss)

Datenvorverarbeitung

• Die Messreihen beginnen nicht immer mit f ≥ 0 (d.h. die Zugmaschine befindet sich noch im Leerlauf mit u.U. f <0)
• Daher zuerst Verschiebung der Messreihe in den Nullpunkt (d.h. f=0)
  • Rohe nullpunktkorrigierte Daten → this.data0

Merkmalsselektion

• Die experimentellen Daten bestehen aus einer unterschiedlichen Anzahl von Datenpunkten (x,f).

• Dabei gehören immer ein (x,f) Tupel zusammen.

• Die Linearisierung tastet die (x,f) Datenpaaren mit Δx=x₁ ab.

Da dann die lineariserten x Werte keine Information mehr tragen (außer einer inherenten Ordnungsrelation) können diese entfernt und nur noch die zugehörigen f Werte verwendet werden.

• Als Wertebereich für die ausgewählten linearisierten Samples einer Datenreihe wird [*x*~0~,*x*~1~]=[0,0.1] verwendet (bei den meisten Kurven überwiegend noch der linear-elastische Bereich)

• Die Labels (also x_d Punkte) werden über eine Differenzierung ermittelt:

• Die Linearisierung wählt die ersten 10 äquidistanten (x,f) Datenpunkte aus und erzeugt die gelabelten Datensätze
  • this.config legt einige Selektions- und Skalierungsparameter fest

Datenerweiterung

• Es wird Monte Carlo Simulation mit haußverteilten Rauschen eingesetzt um die Varianz der Dateninstanzen zu vergrößern

• Der Parameter ε bestimmt die Bandbreite des Rauschens (da x/y auf [0,1] normiert sind bedeutet 0.1 → 10% Rauschen)

Datenpartitionierung

• Aufgrund der kleinen Datensatzmenge und Varianz ist die strikte Aufteilung in Trainings- und Testdatensample hier besonders kritisch

  • Daher ein Startpunkt: Training=N-2, Test=2, randomisiert ausgewählt
  • Die randomisierte Auswahl muss wiederholt werden
  • Besser: Training=N-1, Test=1, und die Auswahl der exkludierten Testinstanz durch die gesamte Datentabelle durchlaufen lassen (d.h. jedesmal Training+Test) → Fehler tabellarisch dokumentieren und bewerten
  • Test auch immer mit der gesamten Datentabelle durchführen (also test.data)!!!!

• Zuerst mit allen Dateninstanzen trainieren und Fehlerbetrachtung durchführen (s.u.).

Modell

• Es soll eine numerische Prädiktorfunktion gelernt werden, mit einem
  • Neuronalen Netzwerk, und einer
  • SVM, und einem
  • KNN (k-Nearest-Neighbour Klassifizierer)

Modell A: Neuronales Modell

• Es muss 10 Eingangsneuronen und ein Ausgangsneuron geben
• Es kann 0,1, oder mehrere innere Neuronenschichten geben

Das Modell ist nicht direkt speicherbar!! Eine explizite Serialisierung und Deserialisierung wäre erforderlich. nache einem erneuten Laden der notebook JSON Datei ist das Modell in this.modelA ungültig!

Modell B: SVM

Modell C: KNN

• Training bedeutet hier nur die Erstellung eines Graphennetzwerkes mit und aus allen Dateninstanzen!

• Der KNN Lerner erwartet Matrixtabellen, daher ist eine Zusammenführung von x und y Spalten erforderlich

Training

Modell A

Test