Hluboké učení ve stavebnictví s aplikací na popis morfologie betonu

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F23%3A00382876" target="_blank" >RIV/68407700:21110/23:00382876 - isvavai.cz</a>

Výsledek na webu

<a href="https://dspace.cvut.cz/handle/10467/110584" target="_blank" >https://dspace.cvut.cz/handle/10467/110584</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Hluboké učení ve stavebnictví s aplikací na popis morfologie betonu

Popis výsledku v původním jazyce

Tato bakalářská práce se zabývá rekonstrukcí struktury betonového průřezu s využitím neuronových sítí jako klasifikačního nástroje. V kapitole 1 je stručně popsán termín umělá inteligence, její vývoj a shrnutí metod materiálového výzkumu, které jsou v současnosti používány pro rekonstrukci struktur. V kapitole 2 je vysvětlen princip neuronových sítí vhodných pro klasifikaci dat, typy vrstev sítě a vliv jejich parametrů na trénování a úspěšnost modelu. Dále jsou zde popsány statistické a fyzikální deskriptory, na kterých je vyhodnocena úspěšnost rekonstrukce. Poslední kapitola 3 se zabývá samotnou rekonstrukcí vzorku. Je zde popsán způsob hledání optimální architektury modelu pro tento účel, a výsledek rekonstrukce provedený nejlepším modelem.

Název v anglickém jazyce

Deep learning in Civil Engineering with Application to the Description of Concrete Morphology

Popis výsledku anglicky

This bachelor thesis deals with the reconstruction of a concrete cross section using neural networks as a classification tool. The chapter 1 briefly describes the term artificial intelligence, its current development and a summary of the materials research methods currently utilized for the reconstruction of material morphology. Chapter 2 explains the principle of neural networks used for data classification, different types of network layers, and the effect of their hyper-parameters on the training and testing efficenecy of the model. Furthermore, this chapter describes the statistical and physical descriptors served as error measures of reconstructions algorithms. The last chapter, 3, deals with the actual reconstruction of the concrete sample. It describes how to find the optimal model architecture, and the result of reconstruction obtained for the best model.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

20101 - Civil engineering

Projekt

<a href="/cs/project/TH75020002" target="_blank" >TH75020002: Inovativní návrh materiálů založený na hlubokém učení a optimalizaci</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů