The "50. Jahrestagung für Akustik" (50th Annual Acoustics Conference; DAGA 2024) took place from March 18th to 21st in Hanover. The NEPTUN research group was represented with two contributions at this most important national conference in the research field of acoustics.
As part of the research group's work, Olga Friesen and Kevin Koch presented results for determining piezoelectric material parameters. While Olga Friesen's contribution "Untersuchung piezoelektrischer Materialeigenschaften unter hydrostatischer Last" showed the influence of external factors on the behaviour of piezoceramics, Kevin Koch presented an approach on how machine learning can support solving inverse problems in measurement technology in his presentation "Inverses Verfahren zur Identifikation piezoelektrischer Materialparameter unterstützt durch neuronale Netze".
You can find the German abstract of the contributions below. As soon as the conference proceedings have been published, you will find the manuscripts the research group's publication list.
Abstracts
Untersuchung piezoelektrischer Materialeigenschaften unter hydrostatischer Last
Olga Friesen, Muhammad Ahsan Pasha, Max Schwengelbeck, Leander Claes, Elmar Baumh?gger, Bernd Henning
Piezoelektrische Keramiken finden sowohl in Sensoren als auch in Aktoren Anwendung. Bei Hochleistungs-Ultraschallanwendungen sind diese Komponenten erheblichen elektrischen und mechanischen Belastungen ausgesetzt, was zum Auftreten nichtlinearer Effekte führt. Um das nichtlineare Materialverhalten piezoelektrischer Keramiken zu charakterisieren, kann eine statische mechanische Last aufgebracht werden, die den mechanischen Arbeitspunkt verschiebt. Durch Variation dieser statischen mechanischen Belastung kann das lineare Verhalten in jedem Betriebspunkt charakterisiert werden, woraufhin die nichtlinearen Eigenschaften des Materials angen?hert werden k?nnen. Allerdings ist die Sicherstellung einer homogenen mechanischen Last anspruchsvoll. Alternativ kann eine hydrostatische Belastung realisiert werden, indem die Probe in einen Beh?lter gegeben wird, der mit unter Druck stehendem Fluid gefüllt ist. Dadurch wird eine gleichm??ige Lastverteilung über die Oberfl?che der Probe erreicht.
In diesem Beitrag wird ein Versuchsaufbau zur Durchführung elektrischer Impedanzmessungen an piezoelektrischen Keramiken in einem Druckbeh?lter vorgestellt. Die Probe wird im Inneren des Druckbeh?lters elektrisch kontaktiert. Unter Verwendung von unter Druck stehendem Argon wird auf diese Weise die Messung der elektrischen Impedanz unter hydrostatischer Last von bis zu 200 bar erm?glicht. Anschlie?end wird ein inverses Verfahren angewendet, um die Materialparameter in Abh?ngigkeit von der aufgebrachten Last zu ermitteln.
Inverses Verfahren zur Identifikation piezoelektrischer Materialparameter unterstützt durch neuronale Netze
Kevin Koch, Leander Claes, Benjamin Jurgelucks, Lars Meihost, Bernd Henning
Die genaue Kenntnis quantitativer Materialparameter ist eine Voraussetzung für simulationsgetriebene Entwurfsprozesse piezoelektrischer Sensoren und Aktoren. Aufgrund der gro?en Anzahl von Parametern, die zur Beschreibung des mechanischen, des elektrischen und des Kopplungsverhaltens dieser Materialien erforderlich sind, ist die Identifikation besonders anspruchsvoll. Ziel ist es, einen vollst?ndigen Satz piezoelektrischer Materialparameter anhand einer einzelnen scheibenf?rmigen Probe zu bestimmen. Dies wird durch die Implementierung eines inversen Messverfahrens erreicht, das auf dem Abgleich der gemessenen Impedanz der physikalischen Probe mit der Ausgabe eines Finite-Elemente-Simulationsmodells, dem Vorw?rtsmodell, basiert. In diesem Beitrag werden Methoden untersucht, die die Leistung des inversen Verfahrens durch Methoden des maschinellen Lernens verbessern sollen. Da für die Identifikation beispielsweise ein Gradienten-basiertes, lokales Optimierungsverfahren verwendet wird, ist eine initiale Sch?tzung der Parameter, der Startwerte, erforderlich. Für diese Startwertsch?tzung wird das Vorw?rtsmodell mithilfe eines dichten neuronalen Netzwerks invertiert. Synthetische Trainingsdaten für das neuronale Netzwerk werden generiert, indem das Vorw?rtsmodell ausreichend oft mit randomisierten Materialparametern ausgewertet wird. Nach Abschluss des Trainings werden die gemessenen Gr??en dem neuronalen Netzwerk zugeführt, das Startwerte für die Materialparameter liefert. Weitere Methoden zur Beschleunigung des Inversen Verfahrens, wie etwa eine Gewichtung der Zielfunktion auf Grundlage der Sensitivit?ten des trainierten neuronalen Netzes, werden untersucht.