Hoffmann, NorbertNorbertHoffmann113319978X0000-0003-2074-3170Stender, MertenMertenStender2020-11-062020-11-062020-11Technische Universität Hamburg (2020)http://hdl.handle.net/11420/7771Trotz vielfältiger Fortschritte im Bereich der System-Identifikation stellen komplexe Schwingungen von multi-physikalischen, multi-skaligen und gefügten mechanischen Systemen auch heute noch Herausforderungen für die numerische Simulation dar. Insbesondere Dämpfungs- und Reibungseffekte sind aufgrund ihrer Unzugänglichkeit für Messungen und ihrer Variabilität der Grund für unzureichende Modellierungsansätze. Gleichzeitig stehen heutzutage die datengetriebene Modellierung und die Datenwissenschaften immer mehr im Fokus von Wissenschaft und Gesellschaft. Diese Thesis präsentiert neue Ansätze für die Anwendung von datengetriebenen Verfahren in der mechanischen Strukturdynamik. Die Potentiale und Limitierungen solcher Methoden werden anhand von Anwendungsstudien diskutiert.Diese Studien erstrecken sich von Ein-Freiheitsgrad-Schwingern bis hin zu komplexen Bremssystemen von Automobilen. Insbesondere stehen die physikalische Konformität der erlernten Modelle sowie deren schwingungstechnische Interpretation im Fokus dieser Arbeit.In structural vibrations, several modeling approaches have helped to develop better, i.e. safer, less-vibrating, and more controllable designs for machines and structures. However, complex nonlinear vibrations of multi-physics, multi-component, and multi-scale systems still represent challenges to today’s identification and vibration prediction approaches. Particularly, damping and friction can play a crucial role for vibration mitigation while being inherently difficult to characterize, quantify, or even approximate. At the same time, the data sciences have become omnipresent not only in different fields of science but also in society. This thesis introduces a rigorous framework and discusses chances and limitations for using machine learning in complex structural dynamics. Special focus is put on the physical peculiarities of the vibration signals and physics-informed learning. In the context of case studies, new methodologies are presented for several systems ranging from single-degree-of-freedom oscillators to complete automotive disk brake systems.enhttps://creativecommons.org/licenses/by/4.0/Data ScienceNonlinear dynamicsFriction-induced vibrationsChaosSignal processingVibrationsIngenieurwissenschaftenDoctoral Thesis10.15480/882.305510.15480/882.3055Wagner, Utz vonUtz vonWagnerOther