Projektbeschreibung
Verbesserte Betriebseffizienz und Sicherheit durch Bewertung der Unversehrtheit von Strukturen
Besonders unter dem Gesichtspunkt der Betriebseffizienz stellt die Erzeugung „grüner“ Energie eine Herausforderung dar. Es ist schwierig, die damit verbundenen Kosten und den Energieverbrauch abzuschätzen, die sich aus dem Materialverschleiß unter rauen Betriebsbedingungen ergeben. Die Materialzersetzung wird durch komplexe, voneinander abhängige Schadensmechanismen ausgelöst. Das EU-finanzierte Projekt ALIAS wird auf maschinelles Lernen setzen, um mehr Grundlagenwissen über Materialschäden zu entwickeln. Die Bewertung der Unversehrtheit von Strukturen ist ein wichtiger Indikator für die Leistungsfähigkeit von Schlüsselkomponenten. Die gegenwärtigen Methoden der Bewertung der Unversehrtheit von Strukturen können durch ein besseres Verständnis, wie sich Materialschäden auf die Komponentenleistung auswirken, verbessert werden, wodurch das Vorsichtsprinzip relativiert und die Energieerzeugung bei gleichbleibender Sicherheit gesteigert werden kann.
Ziel
The continued safe operation of critical infrastructure is key in ensuring economic prosperity. The drive towards carbon neutrality presents significant challenges to engineers as increasing operational efficiency often results in harsh, unfavourable operating conditions (e.g. offshore wind turbines). The cost of implementing more efficient processes is a reduction in materials performance resulting in prohibitively short component lifetimes. The challenge facing engineers lies in improving the structural integrity assessment (SIA) methods. Current SIA methods are predominately stress-based and thus, inherently dominated by the yield strength of the component material. Non-linear materials such as steels typically fail by strain induced plasticity where significant additional energies are adsorbed prior to fracture. Strain-based assessments contain considerable built in conservatisms that have not yet been explored. The principal aims of this fellowship application are to develop more advanced SIA methods by considering conservatisms in existing stress-based and strain-based approaches and to exploit recent advances in machine learning to identify and predict key parameters influencing transformative damage in fracture toughness testing. The fundamental understanding of material damage generated in this work will reduce knowledge gaps currently impeding SIA improvement. The benefits of this work include advances to multiple international codes and standards, the continued safe operation of aging critical infrastructure, longer more realistic estimated lifetimes for new components and, significant industrial cost savings through enhanced component design, reduced maintenance cost and reduction in early structure retirement.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
- Technik und TechnologieBauingenieurwesenBautechnik
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles Lernen
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordinator
- Limerick
Irland