Search

U doktorskoj disertaciji obrađen je problem procjene cikličkih Ramberg–Osgoodovih i zamornih Basquin–Coffin–Mansonovih parametara čelika na osnovi monotonih značajki primjenom umjetnih neuronskih mreža. Za potrebe istraživanja iz relevantne je literature i putem on-line baze podataka o materijalima MATDAT prikupljen velik broj eksperimentalnih podataka za čelike. Pregledom postojećih istraživanja utvrđeno je da se podjelom čelika u skupine prema kriteriju udjela legirajućih elemenata može poboljšati točnost procjene cikličkih i zamornih parametara na osnovi monotonih značajki. U skladu s tim, čelici su grupirani u nelegirane, niskolegirane i visokolegirane čelike. Različitost vrijednosti cikličkih i zamornih parametara spomenutih grupa čelika i formalno je potvrđena provođenjem jednofaktorske analize varijance i Welchovog testa. Dodatno provedenim post-hoc analizama utvrđena je različitost na razini parova nelegiranih, niskolegiranih i visokolegiranih čelika. Provođenjem unaprijedne selekcije određene su monotone značajke relevantne za procjenu svakog od cikličkih i zamornih parametara različitih skupina čelika. Na osnovi rezultata statističkih analiza, predložena je procjena cikličkih i zamornih parametara primjenom neuronskih mreža, zasebno za svaku skupinu čelika i uz korištenje samo onih monotonih značajki koje su se pokazale statistički relevantnim za procjenu pojedinog parametra. Za učinkovitije korištenje prikupljenih podataka u razvoju neuronskih mreža primijenjena je metoda k-struke unakrsne validacije. Rezultati dobiveni razvijenim umjetnim neuronskim mrežama vrednovani su usporedbom s eksperimentalnim vrijednostima cikličkih i zamornih parametara, ali i onima dobivenim postojećim empirijskim metodama procjene. Za odabrani skup podataka umjetne neuronske mreže pokazale su se uspješnijim od empirijskih metoda procjene većine cikličkih i zamornih parametara i ponašanja različitih skupina čelika. Razvijeni pristup procjeni cikličkih i zamornih parametara na osnovi lako dostupnih monotonih značajki primjenom neuronskih mreža može poslužiti jednostavnijem, točnijem i bržem određivanju opteretivosti i trajnosti čeličnih dijelova i konstrukcija u raznim industrijskim djelatnostima (automobilskoj, zrakoplovnoj i dr.). Razvojem pouzdanog sustava za procjenu cikličkih i zamornih parametara smanjuje se potreba za eksperimentalnom karakterizacijom cikličkog i zamornog ponašanja materijala u ranim fazama razvoja proizvoda u kojima se vrednuju različiti materijali i konstrukcijska rješenja, što za posljedicu ima i smanjenje troškova i vremena potrebnih za razvoj proizvoda., Research presented in this doctoral thesis deals with estimation of cyclic Ramberg–Osgood and fatigue Basquin–Coffin–Manson parameters i.e. stress–strain and strain–life behaviour of steels on the basis of their monotonic properties using artificial neural networks. For the purpose of this study, a large number of experimental data for steels were collected from relevant literature and online Materials Properties Database MATDAT. The overview of existing methods showed that separate consideration of steels divided according to the content of alloying elements can improve the accuracy of estimations of cyclic and fatigue parameters on the basis of their monotonic properties. Thus, steels were divided into unalloyed, low-alloy and high-alloy steels. Differences among cyclic and fatigue parameters of steels divided in such a way were formally confirmed by performing one-way analysis of variance and Welch’s test. Additionaly, pairwise differences between groups were found to exist by performing post-hoc analyses. Further detailed statistical analysis was performed by means of forward selection, and monotonic properties relevant for estimation of each cyclic and fatigue parameter of each group of steels were determined. Based on results of performed statistical analyses, estimation of cyclic and fatigue parameters using artificial neural networks was proposed, separately for each parameter and each steel subgroup, using only monotonic properties that proved to be relevant for estimation of particular parameter. Data collected were efficiently used in artificial neural network development by implementing k-fold cross-validation technique. Results obtained by artificial neural networks have been evaluated by comparison with experimental values and values obtained using existing empirical estimation methods. For used test data, artificial neural networks proved to be more successful than empirical methods for estimation of most of the cyclic and fatigue properties and behaviour of different steel subgroups. Proposed and developed estimation of cyclic and fatigue parameters from readily available monotonic properties using artificial neural networks can facilitate faster and more accurate load capacity and durability analyses of steel components and structures during early stages of product design in various industrial applications (automotive, aeronautical etc.). Furthermore, it can contribute to the reduction of the need for experimental characterisation of material behavior and help decrease time and costs of product development.