Využití strojového učení pro simulace obtékání profilu
Application of machine lerning for simulation of flows over a profile
Typ dokumentu
diplomová prácemaster thesis
Autor
Josef Černík
Vedoucí práce
Fürst Jiří
Oponent práce
Keslerová Radka
Studijní obor
Matematické modelování v techniceStudijní program
Aplikované vědy ve strojním inženýrstvíInstituce přidělující hodnost
ústav technické matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato práce popisuje základní problematiku neuronových sítí. Dále jsou různé typy neuronových sítí aplikovány na problém obtékání profilu, konkrétně jde o predikci tlakového pole. Učící datová sada je vytvořena pomocí numerického řešiče OpenFoam. Na této sadě je natrénována hustá a konvoluční neuronová síť architektury Unet. Práce obsahuje použité algoritmy pro přípravu a zpracování dat a metodiku automatizace dílčích procesů. Dále demonstruje výhodnost použití architektury Unet pro daný problém na základě získaných podkladů. Obsaženo je také vyhodnocení přesnosti predikce modelů a porovnání výpočetního času. Thesis describes basic problematic around neural networks. Different types of neural nets are applied on flow over profile problem, models are specifically used for pressure field prediction. Learning dataset is generated with OpenFoam numerical solver. On this dataset is trained models of dense and fully convolutional Unet neural networks. Thesis contains explanation of used algorithms for data processing, manipulation and process automation. Also advantage of using convolutional nets for given problem is demonstrated based on acquired results. Precission evaluation and computational time comparison is also included.