Využití strojového učení při simulaci mechanického chování materiálů
Loading...
Date
Authors
Raisinger, Jan
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta stavební
Abstract
Diplomová práce se zabývá možností využití modelů strojového učení pro určování efektivních makroskopických materiálových charekteristik vícefázových materiálů. Po představení metody homogenizace asymptotickým rozvojem je s jejím využitím vytvořen na základě metody konečných prvků software v jazyce Python. Software je využit pro určení mechanických chrarakteristik sad heterogenních struktur generovaných několika různými metodami, např. jako realizace diskretizovaných náhodných polí. Tyto sady jsou využity k tréninku neuronových sítí, vytvořených pomocí knihovny Keras. Je vyhodnocena přesnost výstupů těchto sítí a posouzena kvalita trénovacích dat. Výhody a nevýhody sítí oproti FEM řešiči jsou demonstrovány na jejich aplikaci v optimalizační úloze.
The thesis explores the possibility of using machine learning models to predict effective macroscopic material parameters of multiphase materials. The asymptotic expansion homogenization method is used together with the finite element method to create software in Python, which is used to calculate effective macroscale mechanical parameters of sets of heterogeneous arrangements. These sets are generated using several methods, e.g. as a realization of a discretized random field. The sets are used to train neural networks built using the Keras library. The accuracy of the networks and the quality of training data are assessed. The advantages and disadvantages of the networks compared to the FEM solver are demonstrated on their application in an optimization problem.
The thesis explores the possibility of using machine learning models to predict effective macroscopic material parameters of multiphase materials. The asymptotic expansion homogenization method is used together with the finite element method to create software in Python, which is used to calculate effective macroscale mechanical parameters of sets of heterogeneous arrangements. These sets are generated using several methods, e.g. as a realization of a discretized random field. The sets are used to train neural networks built using the Keras library. The accuracy of the networks and the quality of training data are assessed. The advantages and disadvantages of the networks compared to the FEM solver are demonstrated on their application in an optimization problem.
Description
Citation
RAISINGER, J. Využití strojového učení při simulaci mechanického chování materiálů [online]. Brno: Vysoké učení technické v Brně. Fakulta stavební. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
doc. Ing. Ivan Němec, CSc. (místopředseda)
prof. Ing. Zbyněk Keršner, CSc. (člen)
doc. Ing. Radim Nečas, Ph.D. (člen)
doc. Ing. Stanislav Seitl, Ph.D. (člen)
doc. Ing. Vlastislav Salajka, CSc. (člen)
prof. Ing. Milan Sokol, Ph.D. (předseda)
Date of acceptance
2024-01-30
Defence
Student Bc. Jan Raisinger představil komisi diplomovou práci s názvem Využití strojového učení při simulaci mechanického chování materiálů formou prezentace. Vedoucí a oponent přednesli své posudky předložené diplomové práce.
Poté v rámci obhajoby práce zodpověděl otázky oponenta.
Na základě čeho jste zvolil korelační délku náhodných polí?
Student vysvětluje, že byla zvolena na základě velikosti RVE.
Proč je pro tvorbu neuronových sítí se vstupy generovanými pomocí náhodných polí použita významně menší učící množina? Zkusil jste studii závislosti získané přesnosti na velikosti učící množiny?
Student správně odpověděl, studie provedena nebyla.
Podstatná část práce se zabývá generováním vhodné učící množiny, pokrývající co největší rozptyl hodnot R0 reprezentující ortotropii mikrostruktury. Na základě kolika vzorků jsou vytvořený histogramy těchto hodnot u jednotlivých přístupů?
Student shrnul počty v učicí množině.
Zkusil jste stanovit rozptyl hodnot R0 získaných z náhodných polí různých korelačních délek a porovnat s diskrétním řešení?
Student tento rozptyl stanovit nezkoušel. Odpovídá na odpovědi v diskuzi s oponentem.
Bylo by zajímavé vidět výsledky predikce všech neuronových sítích pro dva extrémní případy R0 z obrázku 3.12. Zkusil jste takovou studii provést, případně můžete okomentovat výsledky?
Student prezentuje výsledky provedené studie.
Dokážete okomentovat na základě čeho byly zvoleny hyperparametry jednotlivých sítí?
Byly zvoleny na základě rešerše doporučených hodnot.
Diskuze k diplomové práci
doc. Salajka: Uvádíte Ex a Ey bez jednotek, vysvětlete význam.
Bc. Raisinger vysvětluje způsob použití bezrozměrných jednotek.
prof. Keršner: Existují meze pro uváděné hodnoty? Může být Poissonovo číslo záporné?
Bc. Raisinger odpovídá, že by to řešič nemusel zvládnout.
prof. Sokol: Jak byly nastaveny okrajové podmínky?
Bc. Raisinger vysvětluje nastavení v rozích a na protějších stranách.
prof. Sokol: Jaký je vliv okrajových podmínek na výsledky? Použití na reálné konstrukci.
Bc. Raisinger vysvětluje, že periodicita je důsledkem použité metody. Popisuje možnosti použití pro aproximaci zrn v rámci makroskopického vzorku.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení