Digitální dvojče mechanického systému modelované hybridně s pomocí FEM a Grafových neurálních sítí
Hybrid Modeling of Mechanical Digital Twin by Finite Element Method and Graph Neural Networks
Typ dokumentu
disertační prácedoctoral thesis
Autor
Marek Ciklamini
Vedoucí práce
Vyhlídal Tomáš
Oponent práce
Janáčová Dagmar
Studijní obor
Technická kybernetikaStudijní program
Strojní inženýrstvíInstituce přidělující hodnost
ústav přístrojové a řídící technikyObhájeno
2024-06-25Práva
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
Práce zdůrazňuje efektivitu metod strojového učení v různých vědeckých oblastech a zdůrazňuje cíl vývoje přesných matematických modelů pro složité systémy. Je nastíněna konkrétní aplikace zaměřená na tvorbu digitálních dvojčat pro mechanické struktury. Navržený přístup hybridního modelování představuje novou integraci metody konečných prvků (FEM) a zejména grafových neuronových sítí (GNN). Rámec založený na FEM přesně zachycuje složité strukturální chování, zatímco GNN se používají k pochopení propojení mezi komponentami, což poskytuje holistické pochopení struktury. Hybridní model tím, že kombinuje silné stránky FEM a GNN, usnadňuje efektivní výměnu informací a spolupráci. Za zmínku stojí řešení problémů souvisejících se získáváním dat, trénováním a ověřováním prediktability modelů, což zajišťuje přesnost a možnosti zobecnění hybridního modelu. Dále jsou zdůrazněny praktické aplikace disertační práce prostřednictvím rozsáhlých případových studií. Tyto studie ukazují schopnost hybridního modelu přesně předvídat chování konstrukce, optimalizovat parametry návrhu a umožnit monitorování v reálném čase. Celkový přínos tohoto výzkumu spočívá v rozvoji technologie digitálního dvojčete, konkrétně ve zvýšení přesnosti, účinnosti a prediktivních schopností mechanických struktur. This dissertation examines the growing importance of hybrid modelling, an approach that strategically combines physical and data model-based modelling techniques. The work emphasizes the effectiveness of machine learning methods in various scientific fields and highlights the goal of developing accurate mathematical models for complex systems. A specific application focused on creating digital twins for mechanical structures is outlined. The proposed hybrid modelling approach represents a new integration of the finite element method (FEM) and, in particular, graph neural networks (GNN). The FEM-based framework accurately captures complex structural behaviour, while GNNs are used to understand the connections between components, providing a holistic understanding of the structure. By combining the strengths of FEM and GNN, the hybrid model facilitates efficient information exchange and collaboration. Of note is the resolution of issues related to data acquisition, training, and validation of model predictability, which ensures the accuracy and generalizability of the hybrid model. Furthermore, practical applications of the dissertation are emphasized through extensive case studies. These studies demonstrate the hybrid model's ability to accurately predict structural behaviour, optimize design parameters, and enable real-time monitoring. The overall contribution of this research lies in developing digital twin technology, specifically in increasing the accuracy, efficiency and predictive capabilities of mechanical structures.
Kolekce
- Disertační práce - 12000 [291]