Gast ::
000835190 001__ 835190 000835190 005__ 20230411161613.0 000835190 0247_ $$2HBZ$$aHT021148654 000835190 0247_ $$2Laufende Nummer$$a40708 000835190 0247_ $$2datacite_doi$$a10.18154/RWTH-2021-10362 000835190 037__ $$aRWTH-2021-10362 000835190 041__ $$aEnglish 000835190 082__ $$a620 000835190 1001_ $$0P:(DE-82)IDM01385$$aHeider, Yousef$$b0$$urwth 000835190 245__ $$aMulti-field and multi-scale computational fracture mechanics and machine-learning material modeling$$cvon Dr.-Ing. Yousef Heider$$honline 000835190 246_3 $$aMehrfeld- und mehrskalige rechnerunterstützte Bruchmechanik und maschinell lernende Materialmodellierung$$yGerman 000835190 260__ $$aAachen$$bRWTH Aachen University$$c2021 000835190 300__ $$a1 Online-Ressource : Illustrationen, Diagramme 000835190 3367_ $$02$$2EndNote$$aThesis 000835190 3367_ $$0PUB:(DE-HGF)13$$2PUB:(DE-HGF)$$aHabil / Postdoctoral Thesis (Non-german Habil)$$bhabil$$mhabil 000835190 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook 000835190 3367_ $$2BibTeX$$aPHDTHESIS 000835190 3367_ $$2DRIVER$$adoctoralThesis 000835190 3367_ $$2DataCite$$aOutput Types/Book 000835190 3367_ $$2ORCID$$aBOOK 000835190 4900_ $$aReport. IAM, Institute of General Mechanics$$vIAM-13 000835190 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 000835190 502__ $$aHabilitationsschrift, Rheinisch-Westfälische Technische Hochschule Aachen, 2021$$bHabilitationsschrift$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2021$$gFak04$$o2021-06-29 000835190 5203_ $$aDie Bruchmechanik zählt zu den aufstrebenden und vielversprechendsten Gebieten der Ingenieurmechanik. In den letzten Jahrzehnten wurden zahlreiche theoretische, experimentelle und numerische Studien zu den Themen Rissentstehung und -ausbreitung in festen und porösen Materialien durchgeführt. Dies wurde durch viele Herausforderungen und Notwendigkeiten in den Ingenieurbereichen vorangetrieben, wie z.B. die dringende Notwendigkeit, sichere, zuverlässige und nachhaltige Strukturen zu entwerfen, die allen Arten von erwarteten natürlichen und menschlichen Einwirkungen standhalten können, oder die vielversprechende Anwendung von Bruchmethoden in Bereichen wie Energieproduktion, geothermische Systeme, Bodenkunde und Geotechnik. Aus mechanischer und rechnerischer Sicht stellt das Bruchverhalten fester und poröser Materialien ein anspruchsvolles mehrskaliges Mehrphasenproblem dar, das mehrere mögliche gleichzeitige physikalische Prozesse und viele Quellen numerischer Instabilität umfasst. Um ein ganzheitliches Verständnis sowie eine effiziente und genaue Bruchmodellierung zu ermöglichen, wird sich die zugrundeliegende Monographie mit der Bruchmechanik und den damit verbundenen Prozessen auf allen Skalen, d.h. auf der Nano-, Mikro- und Makroskala, befassen. Dies beinhaltet erstens die Nutzung von Molekulardynamik-Simulationen (engl. Molecular Dynamics, Abk. MD) zum Verständnis des Bruchmechanismus und zur Bestimmung von Materialparametern spröder Festkörperwerkstoffe auf der Nanoskala, zweitens die Einbettung des Phasenfeld-Modellierungsansatzes (engl. Phase-Field Modeling, Abk. PFM) in die Kontinuumsmechanik für die Bruchmodellierung auf der makroskopischen Skala und drittens die Einbettung des PFM-Ansatzes in die Kontinuumsmechanik poröser Medien (engl. Porous Media, Abk. PM) zur Modellierung des hydraulischen Bruchs in gesättigten und ungesättigten porösen Medien, d.h. PM-PFM kombiniertes Verfahren. In konventionellen Ansätzen der Werkstoffmechanik, wie z.B. der Bruchmechanik, der Festkörpermechanik oder der Mechanik poröser Medien, liefert die konstitutive Modellierung explizite mathematische Ausdrücke, die auf phänomenologischen Beobachtungen oder experimentellen Daten beruhen. Diese Modelle können darüber hinaus strengen Einschränkungen unterworfen werden, wie z.B. den Bilanzgleichungen oder den thermodynamischen Einschränkungen. Um die Komplexität des konstitutiven Modells und die Erhöhung der Anzahl der erforderlichen Materialparameter auf ein unpraktisches Niveau zu vermeiden, übersehen diese Materialmodelle zum Teil oder ganz mikroskopische Informationen. Dies kann jedoch zu einer Verschlechterung der Genauigkeit des Modells führen, insbesondere bei der Beschreibung von mehrskaligen und zeit- oder pfadabhängigen Reaktionen wie bei Kristallplastizität oder bei der nichtlinearen anisotropen Strömung in porösen Medien. Dies ebnet den Weg für die Implementierung von datenbasierten künstlichen neuronalen Netzen (engl. Artificial Neural Networks, Abk. ANN) zur Erzeugung von maschinell lernenden (ML)-Materialmodellen, die in der Lage sind, komplexe Abhängigkeiten von Mikrogeometrie und Zeit- oder Pfadabhängigkeiten zu extrahieren, ohne dass die Materialparameter explizit bestimmt werden müssen. Daher wird das vierte Ziel der zugrundeliegenden Monographie darin bestehen, die Fähigkeiten des maschinellen Lernens zu nutzen, indem tiefe neuronale Netze (engl. Deep Neural Networks, Abk. DNN) und tiefes Verstärkungslernen (engl. Deep Reinforcement Learning, Abk. DRL) verwendet werden, um ML-basierte Materialmodelle zu generieren, die auf mikrostrukturellen Daten in den Trainingsdatensätzen beruhen. Die oben genannten Ansätze, unterstützt durch leistungsstarke Rechenkapazitäten und experimentelle Daten, ermöglichen es, komplizierte reale Mehrphasen- und Mehrskalenprobleme aus der Mechanik fester und poröser Medien zuverlässig zu simulieren und zu verstehen.$$lger 000835190 520__ $$aFracture mechanics counts to the most emerging and promising fields of engineering mechanics. In the last few decades, the topics of crack initiation and propagation in solid and porous materials have attracted numerous theoretical, experimental, and numerical studies. This was driven by many challenges and necessities in engineering fields, such as the bad need for designing safe, reliable, and sustainable structures that withstand all types of expected natural and human actions, or the promising application of fracture tools in sectors like energy production, geothermal systems, soil science, and geotechnical engineering. From a mechanical and computational point of view, the fracturing of solid and porous materials presents a challenging multi-scale multi-phase problem, which includes possible several simultaneous physical processes and many sources of numerical instability. For a holistic understanding as well as efficient and accurate fracture modeling, the underlying monograph will address fracture mechanics and related processes across the scales, i.e. nanoscale, microscale, and macroscale. This includes, first, utilization of Molecular Dynamics (MD) simulations to understand fracture mechanism and conclude material parameters of brittle solid materials on the nanoscale, second, embedding the phase-field modeling (PFM) approach in continuum mechanics for fracture modeling on the macroscopic scale, and, third, embedding the PFM approach in continuum porous media mechanics (PM) to model hydraulic fracturing in saturated and unsaturated porous media, i.e. PM-PFM combined procedure. In conventional approaches in the mechanics of materials, such as in fracture mechanics, solid mechanics, or porous media mechanics, the constitutive modeling provides explicit mathematical expressions, which are based on phenomenological observations or experimental data. These models can further be subjected to hard constraints, such as the balance equations or the thermodynamics restrictions. To avoid the constitutive model's complexity and the increase of the number of required material parameters to an impractical level, these material models partially or entirely overlook microscopic information. This might lead, however, to deterioration of the model's accuracy, especially in the description of multi-scale and time- or path-dependent responses like in crystal plasticity or in nonlinear anisotropic porous media flow. This paves the way for the implementation of data-based artificial neural networks (ANN) to generate machine-learning (ML)-material models, which are capable to extract complex dependencies on micro-geometry and time or path dependencies without the need to explicitly determine the material parameters. Therefore, the fourth aim of the underlying monograph will be utilizing the capabilities of Machine Learning, via using deep neural networks (DNN) and deep reinforcement learning (DRL) to generate ML-based material models, which rely on microstructural information in the training datasets. The aforementioned approaches backed by powerful computational capacities and experimental data give the ability to reliably simulate and understand complicated real multi-phase and multi-scale problems out of solid and porous media mechanics.$$leng 000835190 588__ $$aDataset connected to Lobid/HBZ 000835190 591__ $$aGermany 000835190 653_7 $$aANN 000835190 653_7 $$aDRL 000835190 653_7 $$aML 000835190 653_7 $$aTPM 000835190 653_7 $$aTR-BDF2 000835190 653_7 $$abrittle fracture 000835190 653_7 $$acoupled problems 000835190 653_7 $$adeep learning 000835190 653_7 $$adrying-induced fracture 000835190 653_7 $$afinite element method 000835190 653_7 $$afluid injection 000835190 653_7 $$afracture modeling 000835190 653_7 $$ahydraulic fracture 000835190 653_7 $$amachine-learning 000835190 653_7 $$amacroscale 000835190 653_7 $$amonolithic and splitting solution 000835190 653_7 $$amultiphasic 000835190 653_7 $$amultiple components 000835190 653_7 $$ananoscale 000835190 653_7 $$aneural networks 000835190 653_7 $$aphase-field modeling 000835190 653_7 $$aporous Media 000835190 653_7 $$aporous media mechanics 000835190 653_7 $$areinforcement learning 000835190 653_7 $$astrong coupling 000835190 653_7 $$aunsaturated porous media 000835190 7001_ $$0P:(DE-82)IDM01243$$aMarkert, Bernd$$b1$$eThesis advisor$$urwth 000835190 7001_ $$aSchrefler, Bernhard$$b2$$eThesis advisor 000835190 7001_ $$0P:(DE-82)199511$$aMüller, Ralf$$b3$$eThesis advisor 000835190 8564_ $$uhttps://publications.rwth-aachen.de/record/835190/files/835190.pdf$$yOpenAccess 000835190 8564_ $$uhttps://publications.rwth-aachen.de/record/835190/files/835190_source.zip$$yRestricted 000835190 909CO $$ooai:publications.rwth-aachen.de:835190$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery 000835190 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01385$$aRWTH Aachen$$b0$$kRWTH 000835190 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01243$$aRWTH Aachen$$b1$$kRWTH 000835190 9141_ $$y2021 000835190 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess 000835190 9201_ $$0I:(DE-82)411110_20140620$$k411110$$lLehrstuhl und Institut für Allgemeine Mechanik$$x0 000835190 961__ $$c2021-11-19T10:20:49.171644$$x2021-11-09T16:34:26.850942$$z2021-11-19T10:20:49.171644 000835190 9801_ $$aFullTexts 000835190 980__ $$aI:(DE-82)411110_20140620 000835190 980__ $$aUNRESTRICTED 000835190 980__ $$aVDB 000835190 980__ $$abook 000835190 980__ $$ahabil