magistrsko delo
Nejc Dvoršek (Author), Simon Klančnik (Mentor), Iztok Stopeinig (Co-mentor)

Abstract

The basis of this thesis is research and development of a genetic algorithm for material parameters optimization. It is written in collaboration with AVL, which already has a solution for this problem, but is looking into better alternatives. Chaboche material model is a nonlinear isotropic and kinematic hardening model which can describe elasto-viscoplastic constitutive relations. Parameters of such complex nature do not have a physical interpretation in the real-world and must be defined with inverse analysis. Genetic algorithms (GA) are a promising tool to help with such tasks. They have been widely used and recognized for various optimization problems. Material data available are low cycle fatigue (LCF), creep, and tensile experiments. For each experiment a corresponding finite element model in Abaqus is prepared. Comparing experimental and simulation data is the objective function GA will try to minimize. For this reason, a corresponding fitness function was developed to score each individual. It makes use of similarity measure algorithm proposed in this paper [10]. GA was implemented in Python with Pygad library. Instead of bits, genes are represented with real-valued numbers with defined limits. Performance of developed GA was tested based on various population sizes, mutation probabilities, and crossover operators. The main parameter that impacts algorithms performance is population size. Paired with right mutation probability the algorithm can find a global minimum of described optimization problem. Making it a viable alternative to existing approach used at AVL.

Keywords

Chaboche material model;parameter optimization;genetic algorithm;finite element method;

Data

Language: English
Year of publishing:
Typology: 2.09 - Master's Thesis
Organization: UM FS - Faculty of Mechanical Engineering
Publisher: [N. Dvoršek]
UDC: 004.8.021:620.17(043.2)
COBISS: 151757827 Link will open in a new window
Views: 208
Downloads: 0
Average score: 0 (0 votes)
Metadata: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Other data

Secondary language: Slovenian
Secondary title: Optimizacija Chaboche materialnih parametrov z genetskim algoritmom
Secondary abstract: Temelj magistrskega dela je raziskati in razviti genetski algoritem za optimizacijo Chaboche materialnih parametrov. Delo je napisano v sodelovanju s podjetjem AVL, ki že ima rešitev za ta problem, ampak raziskuje efektivnejše pristope. Raziskan bo pristop implementacije genetskega algoritma (GA) s programskim jezikom Python (Pygad knjižnica). Mehansko obnašanje materialov se lahko ovrednoti na podlagi eksperimentov. Z različnimi metodami se ugotavljajo različni tipi porušitev materiala. Te porušitve vključujejo elastično, plastično in deformacijo zaradi lezenja. Elastična deformacija se povrne takoj po razbremenitvi, medtem kot je plastična deformacija stalna. Lezenje je deformacija, ki se nabira s časom. Dinamično obremenjevanje komponent v plastičnem področju lahko povzroči ciklično utrjevanje ali mehčanje materiala. Za ciklično utrjevanje velja, da se trdnost materiala veča s številom ciklov, obratno drži za mehčanje. Materialni model, ki lahko opiše vse tri tipe deformacij in upošteva izotropno ter kinematično utrjevanje pri cikličnih obremenitvah je Chaboche materialni model. Za določitev parametrov tega materialnega modela so na voljo eksperimentalni podatki od enoosnega nateznega eksperimenta, lezenja in nizko cikličnega utrujanja. Za vsak eksperiment ima AVL razvit enakovreden model za simulacijo z metodo končnih elementov v programskem paketu Abaqus. Primerjava eksperimentov s simulacijami predstavlja kriterij, ki bo pokazal kako dobro set parametrov opiše materialni model. GA temelji na Darwinovem konceptu evolucije, kot nam je znan iz narave. GA implementira pritisk selekcije, križanja in mutacije v proces optimizacije. Tako so le najbolj uspešni posamezniki izbrani za križanje in produkcijo potomcev za naslednjo generacijo. Po večih generacijah se populacija spontano razvija in prilagaja okolju optimizacijskega problema. GA je stohastični algoritem in naključnost igra glavno vlogo pri uspešnosti le tega. Posebej priročna je njihova uporaba kadar ne vemo funkcije, ki jo optimiziramo ali ne vemo veliko o optimizacijskem prostoru. Funkcija uspešnosti se uporablja za opredelitev uspešnosti posameznikov v populaciji. Glavni del razvoja GA je obsegal izdelavo ustrezne funkcije uspešnosti. Ta funkcija je morala za vsak set parametrov zagnati Abaqus simulacije, po koncu simulacij obdelati podatke, podatke simulacije primerjati z eksperimentom in tako zračunati uspešnost posameznika. Za primerjavo krivulj eksperimenta in simulacije, ki med seboj nimata enako število točk, je kriterij površina med krivuljama. Uporabljen je algoritem, predstavljen v članku avtorjev C. F. Jekel in ostali [12]. Manjša kot je površina med krivuljama boljši je set parametrov. Površine vseh primerjav so skupaj seštete in obrnjene, saj Pygad pričakuje, da ima uspešnejši posameznik večje točke uspešnosti. Gene posameznikov predstavljajo realne vrednosti znotraj dovoljenega območja. Zanima nas kako se razvit GA obnaša pri različno nastavljenih parametrih. V ta namen je bil raziskan vpliv velikosti populacije, mutacijske verjetnosti in operatorja križanja na uspešnost algoritma. Ugotovili smo, da ima velikost populacije največji vpliv na uspešnost. Testirane so bile velikosti populacije 18, 99, 150 in 198. Od 18 do 150 uspešnost strmo raste. Razlika med 150 in 198 je relativno majhna in ne upraviči dodatnega optimizacijskega časa zaradi večje populacije. Mutacijska verjetnost 0,01 ne dovoli GA raziskati dovolj parametrskega okolja in zato ne najde optimalne rešitve. Vrednost 0,1 to spremeni in omogoči algoritmu najti globalni optimum. Med mutacijsko verjetnostjo 0,1 in 0,2 ni bistvene razlike. Nazadnje sta bila testirana enotočkovni in dvotočkovni križna operatorja. Med njima pri obravnavanem optimizacijskem problemu ni bistvene razlike. Najboljše rezultate smo dobili z velikostjo populacije 150, mutacijsko verjetnostjo 0,1 in dvotočkovnim križnim operatorjem. S temi parametri je GA našel set parametrov, ki je za 40% boljši od seta pridobljenega
Secondary keywords: Chaboche materialni model;optimizacija parametrov;genetski algoritem;metoda končnih elementov;magistrske naloge;
Type (COBISS): Master's thesis/paper
Embargo end date (OpenAIRE): 2025-12-01
Thesis comment: Univ. v Mariboru, Fak. za strojništvo, Konstrukterstvo
Pages: 1 spletni vir (1 datoteka PDF (XII, 58 f.))
ID: 16649441