| Zodpovedný riešiteľ: | Ing. Bulko Roman, PhD. |
| Trvanie projektu: | 9/2020 - 8/2021 |
| Projekt bude nadväzovať na už ukončený grantový projekt UNIZA s názvom „Vyhodnotenie statickej penetračnej skúšky použitím neurónových sietí“. Princípom statickej penetračnej skúšky (CPT) skúšky je statické zatláčanie meracieho hrotu pomocou sústavy oceľových tyčí do skúmaného prostredia konštantnou rýchlosťou. Priame vyhodnotenie parametrov konštitučných modelov je v prípade skúšky CPT značne náročné, ale vykazuje istý potenciál pri použitý alternatívnych prístupov ako napr. konštitučné modeli na báze neurónových sietí. V skončenom projekte som pracoval na implementácii modelu umelej neurónovej siete (ANN) na predpovedanie zložitých pôdnych profilov využitím výsledkov statickej penetračnej skúšky. Z 9 realizovaných prieskumných lokalít v teréne sa zhromaždilo 5926 čítaní CPT. Hlavná myšlienka bola identifikácia typov zemín z výsledkov testov CPT, ktoré boli založené predovšetkým na Robertsonových grafoch. V práci je prezentovaný vývoj modelu ANN pomocou viacvrstvových perceptrónov trénovaných algoritmom "feed-forward" "back-propagation" (FFBP). Tento nadväzujúci projekt vychádza zo záverov predchádzajúceho projektu, kde bola preukázaná schopnosť umelej neurónovej siete (ANN) učiť sa a riešiť podobné geotechnické problémy, pričom navrhnutý prístup ANN dobre nahrádzal zatriedenie zemín podľa Robertsonových grafov. Avšak pre lepšie učenie sa ANN, bude nutné spracovať väčšie množstvo údajov ako bolo zhromaždených v predchádzajúcom projekte. Za dostatočné množstvo by sme mohli považovať aspoň 5000 údajov na jeden druh zeminy, prípadne parametra zeminy. | |
| Zodpovedný riešiteľ: | Ing. Gago Filip, PhD. |
| Riešitelia: | Ing. Bulko Roman, PhD., Ing. Masarovičová Soňa, PhD., doc. Ing. Nguyen Giang, CSc., doc. Mgr. Sitányiová Dana, PhD., Ing. Vlček Jozef, PhD. |
| Trvanie projektu: | 4/2021 - 3/2024 |
| Umelá inteligencia a strojové učenie patria k dynamicky sa rozvíjajúcim oblastiam. Strojové učenie (ML) umožňuje počítačom učiť sa z existujúcich údajov. Geotechnický prieskum generuje množstvo údajov a rôzne metódy ML sa dajú použiť aj v geotechnickom inžinierstve. Cieľom projektu je skúmať možnosti využitia ML pre problémy geotechnického inžinierstva, kde je neistota parametrov horninového prostredia bežnou súčasťou prediktívnych modelov pre správanie sa základovej pôdy. Parametre horninového prostredia je možné určovať pomocou laboratórnych a terénnych skúšok alebo odhadnúť pomocou empirických alebo numerických korelácií, ktoré sú odvodené z regresnej analýzy na súbore údajov. Počas projektu plánujeme využiť umelé neurónové siete (ANN) pre viacrozmerné nelineárne modelovanie horninového prostredia a predpovedanie jeho parametrov. Modely ANN budú vyvinuté a vyškolené pomocou súborov lokálnych údajov. Výkonnosť modelov bude porovnaná s výsledkami laboratórnych a terénnych skúšok. | |