Název: Využití strojového učení při simulaci mechanického chování materiálů
Překlad názvu: Machine learning applied to simulations of material mechanical behavior
Autoři: Raisinger, Jan ; Novák, Lukáš (oponent) ; Eliáš, Jan (vedoucí práce)
Typ dokumentu: Diplomové práce
Rok: 2024
Jazyk: cze
Nakladatel: Vysoké učení technické v Brně. Fakulta stavební
Abstrakt: [cze] [eng]
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.
Klíčová slova: Hluboké učení; Homogenizace asymptotickým rozvojem; Keras; Metoda konečných prvků; Náhodná pole; Optimalizace; reprezentativní objemový element; Asymptotic expansion homogenization; Deep learning; Finite element method; Keras; Optimization; Random field; Representative volume element

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: https://hdl.handle.net/11012/244639

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-592063


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Diplomové práce