but.jazyk	čeština (Czech)
but.program	Stavební inženýrství	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Starý, Miloš	cs
dc.contributor.author	Kozel, Tomáš	cs
dc.contributor.referee	Fošumpaur, Pavel	cs
dc.contributor.referee	Zezulák,, Jiří	cs
dc.date.accessioned	2021-11-22T23:19:24Z
dc.date.available	2021-11-22T23:19:24Z
dc.date.created		cs
dc.description.abstract	Stochastické řízení pracuje s určitým rozptylem hodnot řídících průtoků s daným pravděpodobnostním rozdělením, a proto dochází k výrazně lepší aproximaci skutečné problematiky řízení. Pro potřeby stochastického řízení zásobní funkce nádrže byly sestaveny stochastické předpovědní modely, které lépe vystihují náhodné procesy, mezi které můžeme zařadit průtok v měrném profilu. Výhodou stochastického řízení oproti deterministickému řízení je výběr možnosti řízení pro danou pravděpodobnost scénáře. Výběr pravděpodobností nám poskytne vějíř možností. V práci je popsána konstrukce a vyhodnocení stochastického adaptivního řízení zásobní funkce nádrže, které využívá modely vycházející z metod umělé inteligence (fuzzy logika, neuronové sítě), jako náhradu tradičních optimalizačních metod (evoluční algoritmy). Modelům vycházejícím z umělé inteligence je poskytnuta matice vzorů (vzorové řízení), která je vytvořena modely využívající evoluční algoritmy, a stochastický model provede řízení se zvolenou pravděpodobností překročení řízeného odtoku vody z nádrže. Celý algoritmus byl testován i validován na fiktivní nádrži. Poté bylo provedeno srovnání řízení poskytnutých jednotlivými řídícími modely, které využívaly předpovědi poskytnutými různými v práci popsanými předpovědními modely. Výsledky stochastického adaptivního řízení byly srovnány s výsledky poskytnutými modelem s tradičními algoritmy, který měl k dispozici 100% přesnost předpovědi. Velkou výhodou modelů vycházejících z metod umělé inteligence je rychlost výpočtu. Tradiční model potřeboval pro provedení stochastického řízení paralelní výpočty v klastru. Závěrem lze říci, že stochastické adaptivní řízení dokázalo provést řízení nádrže se zásobní funkcí velmi dobře. Závěrem práce byly vybrány nejlepší nastavení pro jednotlivé předpovědní a řídící modely.	cs
dc.description.abstract	The main advantage of stochastic forecasting is fan of possible value, which deterministic method of forecasting could not give us. Future development of random process is described better by stochastic then deterministic forecasting. We can categorize discharge in measurement profile as random process. Stochastic management is worked with dispersion of controlling discharge value. In thesis is described construction and evaluation of adaptive stochastic model base on fuzzy logic, neural networks and evolution algorithm, which are used stochastic forecast from forecasting models described in thesis. The learning fuzzy model and neural network is used as replacement of classic optimization algorithm (evolution algorithm). Model was tested and validated on made up large open water reservoir. Results were evaluated and were compared with model base on traditional algorithms, which was used for 100% forecast (forecasted values are real values). The management of the large open water reservoir with storage function, which was given by stochastic adaptive managing, was logical. The main advantage of fuzzy model and neural network model is computing speed. Classical optimization model is needed much more time for same calculation as fuzzy and neural network model, therefore classic model used clusters for stochastic calculation.	en
dc.description.mark	P	cs
dc.identifier.citation	KOZEL, T. Stochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta stavební. .	cs
dc.identifier.other	117856	cs
dc.identifier.uri	http://hdl.handle.net/11012/137008
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta stavební	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Vodní nádrž	cs
dc.subject	průměrný měsíční průtok	cs
dc.subject	stochastická	cs
dc.subject	předpověď	cs
dc.subject	stochastické řízení	cs
dc.subject	fuzzy	cs
dc.subject	neuronová síť	cs
dc.subject	evoluční algoritmy	cs
dc.subject	zásobní funkce.	cs
dc.subject	Large open water reservoir	en
dc.subject	average monthly flow	en
dc.subject	stochastic forecasting	en
dc.subject	stochastic management fuzzy	en
dc.subject	evolution algorithm	en
dc.subject	neural networks	en
dc.subject	storage function.	en
dc.title	Stochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligence	cs
dc.title.alternative	Stochastic management storage function of water reservoir using method of artificial intelligence	en
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.modified	2018-11-21-17:22:04	cs
eprints.affiliatedInstitution.faculty	Fakulta stavební	cs
sync.item.dbid	117856	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.23 00:19:24	en
sync.item.modts	2021.11.22 22:53:12	en
thesis.discipline	Vodní hospodářství a vodní stavby	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta stavební. Ústav vodního hospodářství krajiny	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Stochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligence

Files

Original bundle

Collections