Original title: Využití neuronových sítí při určování zbytkových napětí pomocí odvrtávací metody a digitální korelace obrazu
Translated title: Application of neural networks in the determination of residual stresses using the hole-drilling method and digital image correlation
Authors: Janiš, Tomáš ; Pokorný, Jan (referee) ; Halabuk, Dávid (advisor)
Document type: Master’s theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [cze] [eng]
Předložená diplomová práce zkoumá možnosti využití algoritmů neuronových sítí v rámci odvrtávací metody, která pro stanovení homogenních zbytkových napětí používá optické měření metodou digitální korelace obrazu (DIC). Běžný analytický přístup odvrtávací metody, popsaný v praktické části práce, využívá ke stanovení zbytkových napětí z měřeného pole deformací v okolí otvoru výpočtové modelování metodou konečných prvků. Na základě simulovaného procesu odvrtávání jsou určeny kalibrační koeficienty, které slouží k převodu měřených deformací na zbytková napětí pomocí analytických vztahů. Další část práce se věnuje algoritmům strojového učení, které jsou použity jako alternativní nástroj pro vyhodnocení zbytkových napětí z deformací měřených metodou DIC. Nejprve je představen přístup založený na algoritmu umělé neuronové sítě (ANN), který ke stanovení zbytkových napětí využívá pouze data z měření. Další představený přístup vychází z algoritmu fyzikálně-informované neuronové sítě (PINN), který navíc oproti ANN implementuje fyzikální zákonitosti vycházející z analytických vztahů odvrtávací metody. Na závěr práce jsou tyto dva alternativní přístupy porovnány s analytickým přístupem. Zhodnoceny jsou především jejich přínosy a nedostatky z hlediska přesnosti, uplatnění v praxi a stability vůči zašuměným datům z DIC měření. The presented master’s thesis explores the potential of neural network algorithms within the hole-drilling method, which uses optical digital image correlation (DIC) for the determination of uniform residual stresses. The analytical approach of the hole-drilling method, described in the practical part of the thesis, employs finite element method computational modeling to determine residual stresses from the measured displacement field around the hole. Based on the simulated drilling process, calibration coefficients are determined to convert the measured displacements into residual stresses using analytical relationships. The part of the thesis focuses on machine learning algorithms used as an alternative tool for evaluating residual stresses from DIC measured displacements. First, an approach based on the artificial neural network (ANN) algorithm is presented, which uses only measurement data to determine residual stresses. Another approach is based on the physics-informed neural network (PINN) algorithm, which, unlike the ANN, implements physical laws derived from the analytical relationships of the hole-drilling method. At the conclusion of the thesis, these two alternative approaches are compared with the analytical method. Their advantages and limitations are evaluated, primarily in terms of accuracy, practical application, and stability against noisy DIC measurement data.
Keywords: artificial neural network; computational modeling; digital image correlation; finite element method; hole-drilling method; machine learning; physics-informed neural network; uniform residual stresses; digitální korelace obrazu; fyzikálně-informovaná neuronová síť; homogenní zbytková napětí; metoda konečných prvků; odvrtávací metoda; strojové učení; umělá neuronová síť; výpočtové modelování

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/11012/257218

Permalink: http://www.nusl.cz/ntk/nusl-774013


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