Please use this identifier to cite or link to this item: https://doi.org/10.15480/336.3411
DC FieldValueLanguage
dc.contributor.authorHuber, Norbert-
dc.date.accessioned2021-04-02T12:56:52Z-
dc.date.available2021-04-02T12:56:52Z-
dc.date.issued2021-04-02-
dc.identifier.urihttp://hdl.handle.net/11420/9195-
dc.description.abstractNanoporöse Metalle sind aufgrund ihrer komplexen Mikrostruktur prädestiniert für die Entwicklung von Methoden, die die Physik, Daten und maschinelles Lernen verknüpfen. Sie ermöglichen eine kontinuierliche Einstellung der relativen Dichte, der Ligamentgröße und der Konnektivität über große Bereiche. Diese mikrostrukturellen Parameter haben einen großen Einfluss auf die makroskopischen mechanischen Eigenschaften. Dies macht diese Materialklasse zu einem idealen Kandidaten für die grundlegende Untersuchung von Methoden und die Entwicklung von Strategien für die Reduktion der Dimensionalität als Grundlage für die weitergehende Analyse und Visualisierung der zugrundeliegenden Struktur-Eigenschaftsbeziehungen. Effiziente Techniken der Finite-Elemente-Balkenmodellierung wurden genutzt, um ~200 Datensätze für makroskopische Kompression und Nanoindentation von offenporigen Nanoschäumen zu generieren. Damit steht eine Datenbasis zur Verfügung, die auf eine konsistente Einstellung der strukturellen und mechanischen Eigenschaften auf der Mikroskala aufbaut und Daten für das zugeordnete elastisch-plastische makroskopische Kompressionsverhalten sowie der Härte bereitstellt. Es wurden Ligamentgeometrien für zwei unterschiedlichen relativen Dichten ausgewählt, für die die strukturelle Randomisierung, die Konnektivitätsdichte, die Fließspannung und die Verfestigung zufällig in großen Bereichen variiert wurden. Diese Datenbasis ermöglicht die Ableitung der Struktur-Eigenschaftsbeziehungen für nanoporöse Metalle mit Hilfe der Dimensionalitätsreduktion, Data-Mining und maschinellem Lernen.de
dc.description.abstractNanoporous metals with their complex microstructure represent an ideal candidate for method developments that combine physics, data and machine learning. They allow to tune the solid fraction, ligament size and connectivity density within a large range. These microstructural parameters have a large impact on the macroscopic mechanical properties. This makes this class of materials an ideal science case for the development of strategies for dimensionality reduction, supporting the analysis and visualization of the underlying structure-property relationships. Efficient finite element beam modeling techniques are used to generate ~200 data sets for macroscopic compression and nanoindentation of open pore nanofoams. A data base is provided that uses consistent settings of structural and mechanical properties on the microscale for which the elastic-plastic macroscopic compression behavior and the hardness is predicted. Ligament geometries of two different initial solid fractions are chosen, for which the structural randomization, the connectivity density, the yield stress and the work hardening rate are randomly varied in large ranges. This data base allows deriving the microstructure-properties relationships of nanoporous metals by means of dimensionality reduction, data mining and machine learning.en
dc.language.isoende_DE
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/de_DE
dc.subjectnanoporous metals, finite element simulation, nanoindentation, dimensionality reduction, data mining, machine learningde_DE
dc.subject.ddc530: Physikde_DE
dc.subject.ddc620: Ingenieurwissenschaftende_DE
dc.titleA dataset combining microcompression and nanoindentation data from finite element simulations of nanoporous metalsde_DE
dc.typeDatasetde_DE
dc.identifier.doi10.15480/336.3411-
dc.type.diniResearchData-
dcterms.DCMITypeDataset-
tuhh.identifier.urnurn:nbn:de:gbv:830-882.0130960-
tuhh.abstract.germanNanoporöse Metalle sind aufgrund ihrer komplexen Mikrostruktur prädestiniert für die Entwicklung von Methoden, die die Physik, Daten und maschinelles Lernen verknüpfen. Sie ermöglichen eine kontinuierliche Einstellung der relativen Dichte, der Ligamentgröße und der Konnektivität über große Bereiche. Diese mikrostrukturellen Parameter haben einen großen Einfluss auf die makroskopischen mechanischen Eigenschaften. Dies macht diese Materialklasse zu einem idealen Kandidaten für die grundlegende Untersuchung von Methoden und die Entwicklung von Strategien für die Reduktion der Dimensionalität als Grundlage für die weitergehende Analyse und Visualisierung der zugrundeliegenden Struktur-Eigenschaftsbeziehungen. Effiziente Techniken der Finite-Elemente-Balkenmodellierung wurden genutzt, um ~200 Datensätze für makroskopische Kompression und Nanoindentation von offenporigen Nanoschäumen zu generieren. Damit steht eine Datenbasis zur Verfügung, die auf eine konsistente Einstellung der strukturellen und mechanischen Eigenschaften auf der Mikroskala aufbaut und Daten für das zugeordnete elastisch-plastische makroskopische Kompressionsverhalten sowie der Härte bereitstellt. Es wurden Ligamentgeometrien für zwei unterschiedlichen relativen Dichten ausgewählt, für die die strukturelle Randomisierung, die Konnektivitätsdichte, die Fließspannung und die Verfestigung zufällig in großen Bereichen variiert wurden. Diese Datenbasis ermöglicht die Ableitung der Struktur-Eigenschaftsbeziehungen für nanoporöse Metalle mit Hilfe der Dimensionalitätsreduktion, Data-Mining und maschinellem Lernen.de_DE
tuhh.abstract.englishNanoporous metals with their complex microstructure represent an ideal candidate for method developments that combine physics, data and machine learning. They allow to tune the solid fraction, ligament size and connectivity density within a large range. These microstructural parameters have a large impact on the macroscopic mechanical properties. This makes this class of materials an ideal science case for the development of strategies for dimensionality reduction, supporting the analysis and visualization of the underlying structure-property relationships. Efficient finite element beam modeling techniques are used to generate ~200 data sets for macroscopic compression and nanoindentation of open pore nanofoams. A data base is provided that uses consistent settings of structural and mechanical properties on the microscale for which the elastic-plastic macroscopic compression behavior and the hardness is predicted. Ligament geometries of two different initial solid fractions are chosen, for which the structural randomization, the connectivity density, the yield stress and the work hardening rate are randomly varied in large ranges. This data base allows deriving the microstructure-properties relationships of nanoporous metals by means of dimensionality reduction, data mining and machine learning.de_DE
tuhh.publication.instituteWerkstoffphysik und -technologie M-22de_DE
tuhh.identifier.doi10.15480/336.3411-
tuhh.type.opusDataset-
tuhh.gvk.hasppnfalse-
tuhh.hasurnfalse-
dc.type.driverother-
dc.type.casraiOther-
dc.relation.projectSFB 986: Teilprojekt B4 - Mikromechanisches Materialverhalten hierarchischer Werkstoffede_DE
tuhh.type.rdmtrue-
local.researchdata.deleteaftertenyearsfalsede_DE
datacite.contributorCorporate.DataCollectorInstitute of Materials Mechanics, Helmholtz-Zentrum Hereon-
item.fulltextWith Fulltext-
item.mappedtypeDataset-
item.cerifentitytypeProducts-
item.openairetypeDataset-
item.creatorGNDHuber, Norbert-
item.languageiso639-1en-
item.openairecristypehttp://purl.org/coar/resource_type/c_ddb1-
item.grantfulltextopen-
item.creatorOrcidHuber, Norbert-
crisitem.project.funderDeutsche Forschungsgemeinschaft (DFG)-
crisitem.project.funderid501100001659-
crisitem.project.funderrorid018mejw64-
crisitem.project.grantno192346071-
crisitem.author.deptWerkstoffphysik und -technologie M-22-
crisitem.author.orcid0000-0002-4252-9207-
crisitem.author.parentorgStudiendekanat Maschinenbau-
Appears in Collections:Research Data TUHH
Files in This Item:
File Description SizeFormat
Description_of_Data.pdfDescription of Data797,94 kBAdobe PDFView/Open
Thumbnail
SimulationData.zipDatasets with inputs and outputs from FEM11,36 kBZIPView/Open
PCA-Python.zipPython code2,33 kBZIPView/Open
PCA-Images.zipVisualization of PCA1,07 MBZIPView/Open
PCA-results.zipResults files of PCA77,82 kBZIPView/Open
Show simple item record

Page view(s)

47
checked on Apr 10, 2021

Download(s)

14
checked on Apr 10, 2021

Google ScholarTM

Check

Note about this record

Cite this record

Export

This item is licensed under a Creative Commons License Creative Commons