but.committee	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)	cs
but.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.	cs
but.jazyk	čeština (Czech)
but.program	Stavební inženýrství – konstrukce a dopravní stavby	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Eliáš, Jan	cs
dc.contributor.author	Raisinger, Jan	cs
dc.contributor.referee	Novák, Lukáš	cs
dc.date.created	2024	cs
dc.description.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.	cs
dc.description.abstract	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.	en
dc.description.mark	A	cs
dc.identifier.citation	RAISINGER, J. Využití strojového učení při simulaci mechanického chování materiálů [online]. Brno: Vysoké učení technické v Brně. Fakulta stavební. 2024.	cs
dc.identifier.other	152654	cs
dc.identifier.uri	http://hdl.handle.net/11012/244639
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	Homogenizace asymptotickým rozvojem	cs
dc.subject	reprezentativní objemový element	cs
dc.subject	Metoda konečných prvků	cs
dc.subject	Náhodná pole	cs
dc.subject	Hluboké učení	cs
dc.subject	Keras	cs
dc.subject	Optimalizace	cs
dc.subject	Asymptotic expansion homogenization	en
dc.subject	Representative volume element	en
dc.subject	Finite element method	en
dc.subject	Random field	en
dc.subject	Deep learning	en
dc.subject	Keras	en
dc.subject	Optimization	en
dc.title	Využití strojového učení při simulaci mechanického chování materiálů	cs
dc.title.alternative	Machine learning applied to simulations of material mechanical behavior	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2024-01-30	cs
dcterms.modified	2024-01-30-14:33:30	cs
eprints.affiliatedInstitution.faculty	Fakulta stavební	cs
sync.item.dbid	152654	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 22:50:04	en
sync.item.modts	2025.01.15 22:42:27	en
thesis.discipline	bez specializace	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta stavební. Ústav stavební mechaniky	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Využití strojového učení při simulaci mechanického chování materiálů

Files

Original bundle

Collections