Metamodel geotechnické konstrukce
No Thumbnail Available
Date
Authors
Maslowská, Lucie
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta stavební
Abstract
Práce se zabývá využitím metamodelování v geotechnice, a to především při aproximaci MKP modelu metamodelem. Metamodel je model modelu a jeho použití umožňuje snížit výpočetní čas a výkon u mnohokrát opakovaných výpočtu, např. při optimalizaci úloh. První část práce se soustředí na vysvětlení základního principu 5 vybraných metamodelovacích metod: Polynomiální regrese, Moving Least Squares, Proper Orthogonal Decomposition v kombinaci s radiální bázovou funkcí, Rozvoj polynomiálním chaosem a nejvíce pozornosti bylo věnováno neuronovým sítím založeným na strojovém učení. V práci jsou popsány jednotlivé parametry neuronových sítí a možnosti jejich nastavení, přičemž tyto poznatky pak byly uplatněny v části druhé. V té je popsáno vytvoření neuronové sítě aproximující výpočet deformací matematického modelu pažící konstrukce. Proběhlo testování různých nastavení neuronové sítě vytvořené v programovacím jazyku Python za účelem nalezení kombinace parametrů, při jejichž nastavení se neuronová síť nejvíce přiblíží výstupním hodnotám z původního MKP modelu. Výsledkem práce je vytrénovaná síť předpovídající deformace matematického modelu konstrukce na základě materiálových parametrů zeminy s chybou okolo 2,5 %. Pro použité nastavení neuronové sítě pak existuje teoretický předpoklad, že bude s podobnou přesností předpovídat chování matematických modelů i jiných konstrukcí. Tématem vyžadující další zkoumání se však ukázala problematika kvality učících dat při využití metamodelovacích technik.
This thesis focuses on the application of metamodeling in geotechnical engineering, especially on approximating finite element models using metamodels. A metamodel is model of a model and is used to reduce computation time for tasks that involve many repeated analyses, such as optimalization. In the first part of the thesis, five metamodeling approaches are presented: Quadratic polynomial regression, Moving Least Squares, Proper Orthogonal Decomposition with radial basis function and artificial neural networks based on machine learning. Great emphasis is placed on neural networks, as they are the main topic of the second part of the thesis. In the second part is described creation process of a neural network in Python. The neural network is designed to approximate the calculation of deformations in a mathematical model of a retaining structure. Various configurations of the neural network's key parameters were tested to identify parameter combination for which the neural network most accurately approximates the results of the original FEM model. The outcome of the thesis is a trained neural network that predicts deformations of the mathematical model based on soil material parameters with 2,5 % error. There is a theoretical assumption that the chosen configuration of the neural network can be with similar accuracy apllied to predict a behaviour of other models. However, the issue of training data quality has proven to be a subject requiring further investigation.
This thesis focuses on the application of metamodeling in geotechnical engineering, especially on approximating finite element models using metamodels. A metamodel is model of a model and is used to reduce computation time for tasks that involve many repeated analyses, such as optimalization. In the first part of the thesis, five metamodeling approaches are presented: Quadratic polynomial regression, Moving Least Squares, Proper Orthogonal Decomposition with radial basis function and artificial neural networks based on machine learning. Great emphasis is placed on neural networks, as they are the main topic of the second part of the thesis. In the second part is described creation process of a neural network in Python. The neural network is designed to approximate the calculation of deformations in a mathematical model of a retaining structure. Various configurations of the neural network's key parameters were tested to identify parameter combination for which the neural network most accurately approximates the results of the original FEM model. The outcome of the thesis is a trained neural network that predicts deformations of the mathematical model based on soil material parameters with 2,5 % error. There is a theoretical assumption that the chosen configuration of the neural network can be with similar accuracy apllied to predict a behaviour of other models. However, the issue of training data quality has proven to be a subject requiring further investigation.
Description
Citation
MASLOWSKÁ, L. Metamodel geotechnické konstrukce [online]. Brno: Vysoké učení technické v Brně. Fakulta stavební. 2025.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Konstrukce a dopravní stavby
Comittee
doc. Ing. Vladislav Horák, CSc. (předseda)
Ing. Petr Svoboda, Ph.D. (místopředseda)
Ing. Věra Glisníková, CSc. (člen)
Ing. Karel Zdražil, CSc. (člen)
prof. RNDr. Lukáš Krmíček, Ph.D. (člen)
doc. Ing. Lumír Miča, Ph.D. (člen)
Ing. Lumír Kliš (člen)
Date of acceptance
2025-06-17
Defence
Studentka Lucie Maslowská obhajovala bakalářskou práci s názvem "Metamodel geotechnické konstrukce".
Po prezentaci práce a přednesení hodnocení vedoucího práce a posudku oponenta práce reagovala na jejich dotazy a připomínky.
Poté studentka odpovídala na dotazy předsedy a členů zkušební komise.
V rámci obhajoby bakalářské práce odpovídala studentka výborně.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení