Využití neuronových sítí s fyzikální znalostí při řešení proudění v kavitě
Utilization of Physics Informed Neural Networks in Lid-Driven Cavity Flow
Typ dokumentu
diplomová prácemaster thesis
Autor
Miroslav Říha
Vedoucí práce
Hyhlík Tomáš
Oponent práce
Jančík Petr
Studijní obor
Aplikovaná mechanikaStudijní program
Aplikované vědy ve strojním inženýrstvíInstituce přidělující hodnost
ústav mechaniky tekutin a termodynamikyPráva
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
Diplomová práce se v první části zabývá teoretickým rozborem problematiky neuronových sítí, jejich funkcí a architekturou. Ve druhé části následuje popis tvorby sítě na příkladu rovnice vedení tepla v 1D. Poslední část obsahuje popis neuronové sítě řešící proudění v kavitě a diskusi výsledků jejích predikcí. Z výsledků je patrná schopnost sítě přesně predikovat pro data z tréninkového datasetu. Její schopnost extrapolace je omezená a klesá se zvyšující se vzdáleností od tréninkových dat. The first part of the thesis deals with the theoretical analysis of neural networks, their functions and architecture. In the second part, a description of the network creation is followed by an example of the heat conduction equation in 1D. The last part contains a description of the neural network solving the flow in the cavity and a discussion of the results of its predictions. The results show the ability of the network to make accurate predictions for the training dataset. Its ability to extrapolate is limited and decreases with increasing distance from the training data.