Original title: Využití metod strojového učení při provozní modální analýze
Translated title: Machine Learning Methods in Operational Modal Analysis
Authors: Blažek, Michal ; Šulc, Michael (referee) ; Cabaj, Gabriel (advisor)
Document type: Bachelor's theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [cze] [eng]
Tato bakalářská práce se zaměřuje na využití metod strojového učení v oblasti provozní modální analýzy (Operational Modal Analysis, OMA). V úvodní části je provedena rešerše tradičních přístupů modální analýzy, konkrétně numerického modelování metodou konečných prvků (FEM), experimentální modální analýzy (EMA) a provozní modální analýzy (OMA), včetně jejich hlavních výhod a omezení z pohledu inženýrské praxe. Následně jsou představeny moderní datově orientované metody, zejména Koopmanova teorie a metoda Dynamic Mode Decomposition (DMD), a diskutováno jejich propojení s algoritmy strojového učení. Hlavním přínosem práce je návrh a implementace modelu typu Physics-Informed Neural Network (PINN) určeného pro identifikaci dynamických vlastností vetknutého nosníku. Navržený model propojuje schopnost neuronových sítí aproximovat naměřená data s fyzikálními omezeními vycházejícími z Euler–Bernoulliho teorie kmitání nosníků. Součástí práce je návrh architektury neuronové sítě, formulace fyzikálně informované ztrátové funkce a implementace pokročilých trénovacích strategií, jako jsou Curriculum Learning a adaptivní vyvažování jednotlivých složek ztrátové funkce. Funkčnost a přesnost vyvinutého modelu jsou ověřeny na synteticky generovaných datech a výsledky jsou porovnány s výstupy etablované knihovny PyOMA. Výsledky ukazují, že začlenění fyzikálních zákonů do procesu učení zvyšuje robustnost identifikace modálních parametrů a představuje perspektivní přístup pro oblast monitorování technického stavu konstrukcí (Structural Health Monitoring, SHM). This bachelor’s thesis focuses on the application of machine learning methods in the field of Operational Modal Analysis (OMA). The introductory part provides a review of traditional approaches to modal analysis, namely numerical modeling using the Finite Element Method (FEM), Experimental Modal Analysis (EMA), and Operational Modal Analysis (OMA), including their main advantages and limitations from the perspective of engineering practice. Subsequently, modern data-driven methods, particularly Koopman theory and the Dynamic Mode Decomposition (DMD) method, are introduced, and their connection with machine learning algorithms is discussed. The main contribution of the thesis is the design and implementation of a PhysicsInformed Neural Network (PINN) model intended for the identification of the dynamic properties of a cantilever beam. The proposed model combines the ability of neural networks to approximate measured data with physical constraints derived from the Euler–Bernoulli beam vibration theory. The thesis also includes the design of the neural network architecture, the formulation of a physics-informed loss function, and the implementation of advanced training strategies such as Curriculum Learning and adaptive balancing of individual loss-function components. The functionality and accuracy of the developed model are validated using synthetically generated data, and the results are compared with the outputs of the established PyOMA library. The results demonstrate that incorporating physical laws into the learning process improves the robustness of modal parameter identification and represents a promising approach for the field of Structural Health Monitoring (SHM).
Keywords: deep learning; machine learning; modal parameter identification; natural frequencies; OMA; Operational Modal Analysis; physics-informed neural networks; PINNs; structural dynamics; dynamika konstrukcí; fyzikálně informované neuronové sítě; hluboké učení; identifikace modálních parametrů; OMA; PINNs; Provozní modální analýza; strojové učení; vlastní frekvence

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/11012/259522

Permalink: http://www.nusl.cz/ntk/nusl-775871


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