Original title: Metamodel geotechnické konstrukce
Translated title: Metamodel of Geotechnical Structure
Authors: Maslowská, Lucie ; Chalmovský, Juraj (referee) ; Koudela, Pavel (advisor)
Document type: Bachelor's theses
Year: 2025
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta stavební
Abstract: [cze] [eng]
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.
Keywords: finite element method; geotechnical structure; machine learning; matamodel; neural networks; surrogate model; geotechnická konstrukce; metamodel; metoda konečných prvků; neuronové sítě; náhradní model; strojové učení

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/253895

Permalink: http://www.nusl.cz/ntk/nusl-683796


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses