|
|
Electromagnetic analysis and modeling of a solid rotor induction machine
Bílek, Vladimír ; Vítek, Ondřej (referee) ; Bárta, Jan (advisor)
Tato diplomová práce se zabývá elektromagnetickou analýzou a modelováním asynchronního stroje s plným rotorem. Tato práce tedy zahrnuje literární rešerši na téma vysokootáčkových elektrických strojů s porovnáním s klasickými elektrickými stroji s převodovkou a popisem jejich výhod či nevýhod, rozdělení vysokootáčkových elektrických strojů s plnými rotory a srovnání jejich výhod či nevýhod, kde se tato práce nejvíce soustřeďuje na vysokootáčkové asynchronní stroje s plnými rotory a jejich použití v průmyslu. Dále se tato práce zabývá metodami výpočtu elektrických asynchronních strojů s plnými rotory. Proto jsou zde uvedeny a popsány metody výpočtu stroje mezi které patří analytické metody i metoda konečných prvků. Vzhledem k povaze elektrických strojů s plnými rotory je hlavně kladen důraz v této práci na výpočet stroje pomocí metody konečných prvků ve 2D prostoru s využitím korekčních činitelů konců plných rotorů, které jsou zde velmi detailně popsány a rozděleny. Na základě dostupné literatury je vypočítaný elektrický stroj s plným rotorem pomocí MKP analýzy. Elektromagnetický výpočet stroje je automatizován pomocí skriptu vytvořeného v Pythonu. Dalším hlavním cílem této práce je popis tzv. náhradních modelů, uvedení jejich výhod či nevýhod, použití v jiných průmyslových odvětvích a hlavně použití náhradních modelů na elektrický stroj s plným rotorem. S využitím náhradních modelů je dále optimalizovaný vybraný asynchronní stroj s plným rotorem a to pomocí programů SymSpace a Optimizer. Pro samotnou optimalizaci byly uvažovány 3 návrhy stroje, které byly na závěr mezi sebou porovnány a to hlavně z hlediska jejich elektromagnetického výkonu.
|
|
| |
|
|
Surrogate modelling and safety formats in probabilistic analysis of structures
Novák, Lukáš ; Sýkora,, Miroslav (referee) ; Šejnoha,, Michal (referee) ; Novák, Drahomír (advisor)
The presented doctoral thesis is focused on the development of theoretical methods for probabilistic design and assessment of structures. In order to reduce the computational burden of the probabilistic approach, the developed methods are based on surrogate models. Specifically, Taylor series expansion has been utilized for the derivation of a novel analytical method for a simplified semi-probabilistic design of structures represented by non-linear finite element models. The novel approach estimates a variance of quantity of interest and the influence of correlation among input random variables. The second part of the doctoral thesis aims at the development of efficient numerical algorithms for the construction of a surrogate model based on polynomial chaos expansion and its utilization for uncertainty quantification. Although the proposed algorithm is based on cutting edge techniques, it was beneficial to improve its accuracy and efficiency by advanced statistical sampling. Therefore, a novel technique for adaptive sequential statistical sampling, reflecting the exploration of the design domain, and exploitation of the surrogate model, is proposed specifically for polynomial chaos expansion.
|
|
|
Numerical realization of the Bayesian inversion accelerated using surrogate models
Bérešová, Simona
The Bayesian inversion is a natural approach to the solution of inverse problems based on uncertain observed data. The result of such an inverse problem is the posterior distribution of unknown parameters. This paper deals with the numerical realization of the Bayesian inversion focusing on problems governed by computationally expensive forward models such as numerical solutions of partial differential equations. Samples from the posterior distribution are generated using the Markov chain Monte Carlo (MCMC) methods accelerated with surrogate models. A surrogate model is understood as an approximation of the forward model which should be computationally much cheaper. The target distribution is not fully replaced by its approximation. Therefore, samples from the exact posterior distribution are provided. In addition, non-intrusive surrogate models can be updated during the sampling process resulting in an adaptive MCMC method. The use of the surrogate models significantly reduces the number of evaluations of the forward model needed for a reliable description of the posterior distribution. Described sampling procedures are implemented in the form of a Python package.
|
|
|
Surrogate modelling and safety formats in probabilistic analysis of structures
Novák, Lukáš ; Sýkora,, Miroslav (referee) ; Šejnoha,, Michal (referee) ; Novák, Drahomír (advisor)
The presented doctoral thesis is focused on the development of theoretical methods for probabilistic design and assessment of structures. In order to reduce the computational burden of the probabilistic approach, the developed methods are based on surrogate models. Specifically, Taylor series expansion has been utilized for the derivation of a novel analytical method for a simplified semi-probabilistic design of structures represented by non-linear finite element models. The novel approach estimates a variance of quantity of interest and the influence of correlation among input random variables. The second part of the doctoral thesis aims at the development of efficient numerical algorithms for the construction of a surrogate model based on polynomial chaos expansion and its utilization for uncertainty quantification. Although the proposed algorithm is based on cutting edge techniques, it was beneficial to improve its accuracy and efficiency by advanced statistical sampling. Therefore, a novel technique for adaptive sequential statistical sampling, reflecting the exploration of the design domain, and exploitation of the surrogate model, is proposed specifically for polynomial chaos expansion.
|
|
|
Utilizing artificial neural networks to accelerate evolutionary algorithms
Wimberský, Antonín ; Holeňa, Martin (advisor) ; Gemrot, Jakub (referee)
In the present work, we study possibilities of using artificial neural networks for accelerating of evolutionary algorithms. Improving consists in decreasing in number of calls to the fitness function, the evaluation of which is in some kinds of optimization problems very time- consuming and expensive. We use neural network as a regression model, which serves for fitness estimation in a run of evolutionary algorithm. Together with the regression model, we work also with the real fitness function, which we use for re-evaluation of individuals that are selecting according to a beforehand chosen strategy. These individuals re-evaluated by the real fitness function are used for improving the regression model. Because a significant number of individuals are evaluated only with the regression model, the number of calls to the real fitness function, that is needed for finding of a good solution of the optimization problem, is substantially reduced.
|
|
|
Model-based evolutionary optimization methods
Bajer, Lukáš ; Holeňa, Martin (advisor) ; Brockhoff, Dimo (referee) ; Pošík, Petr (referee)
Model-based black-box optimization is a topic that has been intensively studied both in academia and industry. Especially real-world optimization tasks are often characterized by expensive or time-demanding objective functions for which statistical models can save resources or speed-up the optimization. Each of three parts of the thesis concerns one such model: first, copulas are used instead of a graphical model in estimation of distribution algorithms, second, RBF networks serve as surrogate models in mixed-variable genetic algorithms, and third, Gaussian processes are employed in Bayesian optimization algorithms as a sampling model and in the Covariance matrix adaptation Evolutionary strategy (CMA-ES) as a surrogate model. The last combination, described in the core part of the thesis, resulted in the Doubly trained surrogate CMA-ES (DTS-CMA-ES). This algorithm uses the uncertainty prediction of a Gaussian process for selecting only a part of the CMA-ES population for evaluation with the expensive objective function while the mean prediction is used for the rest. The DTS-CMA-ES improves upon the state-of-the-art surrogate continuous optimizers in several benchmark tests.
|
|
|
Electromagnetic analysis and modeling of a solid rotor induction machine
Bílek, Vladimír ; Vítek, Ondřej (referee) ; Bárta, Jan (advisor)
Tato diplomová práce se zabývá elektromagnetickou analýzou a modelováním asynchronního stroje s plným rotorem. Tato práce tedy zahrnuje literární rešerši na téma vysokootáčkových elektrických strojů s porovnáním s klasickými elektrickými stroji s převodovkou a popisem jejich výhod či nevýhod, rozdělení vysokootáčkových elektrických strojů s plnými rotory a srovnání jejich výhod či nevýhod, kde se tato práce nejvíce soustřeďuje na vysokootáčkové asynchronní stroje s plnými rotory a jejich použití v průmyslu. Dále se tato práce zabývá metodami výpočtu elektrických asynchronních strojů s plnými rotory. Proto jsou zde uvedeny a popsány metody výpočtu stroje mezi které patří analytické metody i metoda konečných prvků. Vzhledem k povaze elektrických strojů s plnými rotory je hlavně kladen důraz v této práci na výpočet stroje pomocí metody konečných prvků ve 2D prostoru s využitím korekčních činitelů konců plných rotorů, které jsou zde velmi detailně popsány a rozděleny. Na základě dostupné literatury je vypočítaný elektrický stroj s plným rotorem pomocí MKP analýzy. Elektromagnetický výpočet stroje je automatizován pomocí skriptu vytvořeného v Pythonu. Dalším hlavním cílem této práce je popis tzv. náhradních modelů, uvedení jejich výhod či nevýhod, použití v jiných průmyslových odvětvích a hlavně použití náhradních modelů na elektrický stroj s plným rotorem. S využitím náhradních modelů je dále optimalizovaný vybraný asynchronní stroj s plným rotorem a to pomocí programů SymSpace a Optimizer. Pro samotnou optimalizaci byly uvažovány 3 návrhy stroje, které byly na závěr mezi sebou porovnány a to hlavně z hlediska jejich elektromagnetického výkonu.
|
|
|
Model-based evolutionary optimization methods
Bajer, Lukáš ; Holeňa, Martin (advisor) ; Brockhoff, Dimo (referee) ; Pošík, Petr (referee)
Model-based black-box optimization is a topic that has been intensively studied both in academia and industry. Especially real-world optimization tasks are often characterized by expensive or time-demanding objective functions for which statistical models can save resources or speed-up the optimization. Each of three parts of the thesis concerns one such model: first, copulas are used instead of a graphical model in estimation of distribution algorithms, second, RBF networks serve as surrogate models in mixed-variable genetic algorithms, and third, Gaussian processes are employed in Bayesian optimization algorithms as a sampling model and in the Covariance matrix adaptation Evolutionary strategy (CMA-ES) as a surrogate model. The last combination, described in the core part of the thesis, resulted in the Doubly trained surrogate CMA-ES (DTS-CMA-ES). This algorithm uses the uncertainty prediction of a Gaussian process for selecting only a part of the CMA-ES population for evaluation with the expensive objective function while the mean prediction is used for the rest. The DTS-CMA-ES improves upon the state-of-the-art surrogate continuous optimizers in several benchmark tests.
|
|
| |
guest ::
