2026-09-18T08:06:42Zhttps://elekpub.bib.uni-wuppertal.de/oai/

oai:elekpub.bib.uni-wuppertal.de:84288642026-09-17T00:00:06ZubwhsoaDoctoralThesis

vls/2603noah-balancer_mdapi1elekpub.bib.uni-wuppertal.devdConstitutive modeling of sustainable materials enhanced by data-driven approachesBoes, BirteVerfasserautSimon, Jaan-WillemAkademischer BetreuerdgsKuhl, EllenAkademischer BetreuerdgstextthesisTextHochschulschriftthesisdoctoralThesisgwXA-DEWuppertal2026single unitengelectronic resourceremotetext/htmltext/html1 Online-Ressource (201 Seiten)ComputerOnline-RessourceNachhaltige Materialien und eine effiziente Nutzung von Ressourcen stellen zentrale Herausforderungen im modernen Ingenieurwesen dar. Materialien, die in diesem Kontext von Bedeutung sind, weisen häufig ein komplexes mechanisches Verhalten auf, das durch Anisotropie, nichtlineare und inelastische Effekte sowie Abhängigkeiten von Herstellungsprozessen, Mikrostruktur und Materialzusammensetzung gekennzeichnet ist. Zur effizienten Nutzung dieser Materialien, zur Verbesserung ihrer Leistungsfähigkeit, zur Reduzierung von Abfällen sowie zur Unterstützung zuverlässiger Auslegungsprozesse sind daher präzise konstitutive Modelle unerlässlich. Die inhärente Komplexität dieser Materialien erschwert jedoch die Herleitung geeigneter Materialmodelle erheblich. Während kontinuumsmechanische Ansätze eine etablierte Grundlage für die Modellierung bieten, eröffnen jüngste Fortschritte im Bereich des maschinellen Lernens zusätzliche Möglichkeiten, komplexes Materialverhalten zu erfassen und konstitutive Beziehungen direkt aus Daten zu identifizieren. Die vorliegende Dissertation baut auf dieser Synergie auf, indem sie physikalisch motivierte Modellierung mit datengetriebenen Ansätzen kombiniert, um flexible, interpretierbare und robuste konstitutive Modelle zu entwickeln. Die vorgeschlagenen Methoden werden exemplarisch insbesondere an Papier und Pappkarton als anisotrope, inelastische Materialien sowie an Tofu als hydratisiertes, zusammensetzungsabhängiges weiches Material demonstriert.Sustainable material design and efficient resource usage are central challenges in modern engineering. Materials relevant in this context often exhibit complex mechanical behavior characterized by anisotropy, nonlinear and inelastic effects, as well as dependencies on manufacturing processes, microstructure, and material composition. Accurate constitutive models are therefore essential to enable the efficient use of such materials, improve material performance, reduce waste, and support reliable design processes. However, the inherent complexity of these materials makes the derivation of suitable and predictive material models challenging. While continuum mechanical frameworks provide a rigorous basis for modeling, recent advances in machine learning offer additional opportunities to capture complex material behavior and to identify constitutive relations directly from data. This dissertation builds on this synergy by combining physically motivated modeling with data-driven approaches to develop flexible, interpretable, and robust constitutive models. The proposed methodologies are exemplified particularly for paper and paperboard as anisotropic, inelastic materials and for tofu as a hydrated, composition-dependent soft material.vorgelegt von Birte BoesBergische Universität Wuppertal, Dissertation, 2026Wuppertal620urn:nbn:de:hbz:468-2-761010.25926/BUW/0-107599377525209806441https://nbn-resolving.org/urn:nbn:de:hbz:468-2-7610https://dx.doi.org/10.25926/BUW/0-1075Open AccessCC BY-NC-ND 4.02026-07-27oaDoctoralThesispublic26091520260916161413.0CT009000575s2w-hsswupubwgerUBW:D:D.02 https://elekpub.bib.uni-wuppertal.de//domainresource/static/graphics/connectors/viewerLogo.gifWuppertal : Bergische Universität Wuppertalcc-by-nc-nd https://ub-wuppertal.digibib.net/search/katalog/record/(DE-605)urn%3Anbn%3Ade%3Ahbz%3A468-2-7610 https://elekpub.bib.uni-wuppertal.de/id/8428864 https://elekpub.bib.uni-wuppertal.de/i3f/v20/8428864/manifest https://elekpub.bib.uni-wuppertal.de/proto_ftsearch/8428864