but.committee		cs
but.defence		cs
but.jazyk	čeština (Czech)
but.program	Stavební inženýrství	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Lehký, David	cs
dc.contributor.author	Nezval, Michal	cs
dc.contributor.referee	Novák, Drahomír	cs
dc.date.accessioned	2019-05-17T15:50:25Z
dc.date.available	2019-05-17T15:50:25Z
dc.date.created	2014	cs
dc.description.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.	cs
dc.description.abstract	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.	en
dc.description.mark	C	cs
dc.identifier.citation	NEZVAL, M. Srovnání účinnosti simulačních metod při učení umělých neuronových sítí a inverzní analýze [online]. Brno: Vysoké učení technické v Brně. Fakulta stavební. 2014.	cs
dc.identifier.other	77975	cs
dc.identifier.uri	http://hdl.handle.net/11012/35454
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	Inverzní analýza	cs
dc.subject	umělá neuronová síť	cs
dc.subject	Monte Carlo	cs
dc.subject	Latin Hypecube Sampling	cs
dc.subject	Hierarchical Subset Latin Hypercube Sampling	cs
dc.subject	identifikace	cs
dc.subject	funkce poruchy rámu šikmé střechy	cs
dc.subject	tříbodový ohyb	cs
dc.subject	Inverse analysis	en
dc.subject	Artificial neural network	en
dc.subject	Monte Carlo	en
dc.subject	Latin Hypercube Sampling	en
dc.subject	Hierarchical Subset Latin Hypercube Sampling	en
dc.subject	Identification	en
dc.subject	Limit state fiction of pitched-roof frame	en
dc.subject	Three-point bending	en
dc.title	Srovnání účinnosti simulačních metod při učení umělých neuronových sítí a inverzní analýze	cs
dc.title.alternative	An efficiency comparison of simulation methods for artificial neural network training and inverse analysis	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2014-06-17	cs
dcterms.modified	2014-07-15-09:42:06	cs
eprints.affiliatedInstitution.faculty	Fakulta stavební	cs
sync.item.dbid	77975	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.12 23:01:44	en
sync.item.modts	2021.11.12 21:59:20	en
thesis.discipline	Konstrukce a dopravní stavby	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta stavební. Ústav stavební mechaniky	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

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

Files

Original bundle

Collections