A Computational Estimation of Cyclic Material Properties Using Artificial Neural Networks

Ramberg, 1943, Description of stress-strain curves by three parameters Manson, 1965, Fatigue: a complex subject – some simple approximation, Experimental Mechanics, Vol. 5, 193, 10.1007/BF02321056 Basquin, 1910, The exponential law of endurance tests, Am. Soc. Test. Mater. Proc., Vol. 10, 625 Coffin, 1954, A study of the effect of cyclic thermal stresses on a ductile metal, Trans ASME, Vol. 76, 931 Mitchell M.R. Fundamentals of Modern Fatigue Analysis for Design, ASM Handbook – Vol. 19 Fatigue and Fracture pp. 227-249 (1996). Hatscher, A Abschätzung der zyklischen Kennwerte von Stählen, Dissertation, Clausthal (2004). Kriesel D. Ein kleiner Überblick über Neuronale Netze, www.dkkriesel.com (2008). Bäumel, 1990, Materials data for cyclic loading, Materials Science Monographs, 61 El Dsoki C., Hanselka H. et al. Das ANSLC– Programm und das SDM im Vergleich, Tagungsband 2. Zwischenkolloquium SFB666, TU-Darmstadt pp. 97-106 (2008). El -Dsoki, 2009, Programm zur Abschätzung zyklische Werkstoffkennwerte, Materialwissenschaft und Werkstofftechnik, Vol. 40, 10.1002/mawe.200800363 El Dsoki, C. Reduzierung des experimentellen Versuchsaufwandes durch künstlich neuronale Netze, Dissertation, Darmstadt, (2010). Tomasella, A., Hanselka H. et al. The use of Artificial Neural Networks for simulating experimental fatigue tests, Tagungsband 3. Zwischenkolloquium SFB666, TU-Darmstadt pp. 91-98 (2010). Tomasella, A., Hanselka H. et al. An estimation method for determining cyclic material properties for structural durability design according to the local strain approach, DVM-Bericht 37. Tagung des DVM – Arbeitkrieses Betriebsfestigkeit, pp. 221-235, Munich (2010).