Srovnání účinnosti simulačních metod při učení umělých neuronových sítí a inverzní analýze

Abstract

Předkládaná práce se zabývá inverzní analýzou založenou na kombinaci umělých neuronových sítí a stochastických metod. Cílem je porovnat účinnost nové simulační metody Hierarchical Subset Latin Hypercube Sampling s klasickou metodou Monte Carlo a standardní metodou Latin Hypecube Sampling při učení neuronových sítí. Účinnost je porovnána pro různě složité neuronové sítě. Inverzní analýza je aplikována při identifikaci parametrů inženýrských úloh, což je demonstrováno na funkci poruchy rámu šikmé střechy a určení materiálových charakteristik u tříbodového ohybu. Na závěr práce je diskutována otázka, zda je metoda Hierarchical Subset Latin Hypercube alespoň stejně výkonná jako další dvě stochastické metody.The thesis deals with inverse analysis which is based on combination of artificial neural network and stochastic methods. The goal is to compare an efficiency of new simulation method Hierarchical Subset Latin Hypercube Sampling to classical Monte Carlo method and standard Latin Hypercube Sampling method used for neural network training. The efficiency is compared for a different neural network structures. The inverse analysis is then applied for engineering tasks – identification of limit state fiction parameters related to pitched-roof frame and material parameters of concrete specimen subjected to three-point bending. Finally an efficiency of Hierarchical Subset Latin Hypercube method comparing to Monte Carlo and Latin Hypercube Sampling methods is discussed.