Search the digital library catalog

Abstract: Zemljine in kamnine na mestu, kjer so zgrajeni geotehnični objekti, predstavljajo inženirju negotov element, saj začetno napetostno stanje, predhodne obremenitve in razbremenitve ter prekonsolidacija zemljin niso znane. Prav tako se lastnosti zemljin spreminjajo v vertikalni in horizontalni smeri. Za upoštevanje raznih negotovosti pa se za načrtovanje konstrukcij uporabljajo verjetnostne analize. Za namene, da bi lahko upoštevali to negotovost, smo v doktorski disertaciji razvili celovit pristop za optimalno načrtovanje geotehničnih konstrukcij na podlagi verjetnosti porušitve in stroškov gradnje, z osredotočenostjo na večnamensko optimizacijo. Kadar načrtujemo konstrukcijo na podlagi verjetnosti porušitve, pravimo pristopu verjetnostna analiza ali angleško reliability based design (RBD). Naša razvita metodologija za optimizacijo uporablja genetski algoritem, ki je kodiran z realnimi števili. V doktorski disertaciji smo analizirali številne metode, ki se uporabljajo pri načrtovanju geotehničnih konstrukcij na podlagi verjetnosti porušitve, pri čemer smo predstavili teoretična izhodišča in na primeru horizontalnega zdrsa točkovnega temelja pokazali njihovo kompleksnost. Tako imenovana »razširjena RBD metoda« se je izkazala za inženirjem najbolj prijazno metodo, saj poda kakovostnejše informacije o zasnovi in o porušitvenih mehanizmih. V vseh treh aplikativnih primerih geotehničnih konstrukcij, to so težnostni podporni zid, geotermalni pilot in vpeta vitka oporna konstrukcija, smo pridobili detajlne podatke o kritičnih pogojih nosilnosti za porušitev, kar omogoča inženirjem, da preprečijo specifičen porušitveni mehanizem z dotično spremembo zasnove. V tem smislu smo postavili tudi glavno tezo doktorske disertacije, in sicer, da je možno razviti učinkovito metodologijo za načrtovanje geotehničnih konstrukcij na podlagi verjetnosti porušitve in z večnamensko optimizacijo. Analize in primerjave z načrtovanjem geotehničnih konstrukcij v skladu z Evrokodom, ki upošteva delne količnike varnosti, pa so pokazale, da je razvita metodologija bolj občutljiva na vse spremenljivke in robne pogoje, kar omogoča celovitejšo obravnavo konstrukcij in privede do optimalnih zasnov danih konstrukcij. Tako je bil z razvojem in preizkušanjem metodologije potrjen potencial le-te za praktično uporabo v inženirski praksi, kar bi lahko omogočalo dodatno analizo konstrukcij za večjo zanesljivost in bolj ekonomično gradnjo geotehničnih konstrukcij.
Keywords: Verjetnost porušitve, optimizacija, genetski algoritem, geotermalni piloti, geotehnične konstrukcije
Published in DKUM: 19.12.2024; Views: 0; Downloads: 35
Full text (5,60 MB)

Abstract: K-means algoritem je eden najpopularnejših in najučinkovitejših algoritmov gručenja podatkov. Kljub temu algoritem predstavlja izziv, saj je občutljiv na začetno postavitev centroidov gruč. Zato lahko algoritem stremi k lokalnemu optimumu in ne h globalno optimalni rešitvi. Namen diplomskega dela je implementacija optimiziranega k-means algoritma, manj občutljivega na začetne centroide gruč, z uporabo genetskega algoritma. Delo se osredotoča na postopek gručenja in genetski algoritem. Implementacija je izvedena v programskem jeziku Python s knjižnico NiaPy. Na koncu so predstavljeni rezultati eksperimentov, kjer je izvedena primerjava standardnega in optimiziranega k-means algoritma na različnih podatkovnih množicah.
Keywords: gručenje, k-means, genetski algoritem, centroidi
Published in DKUM: 19.09.2024; Views: 0; Downloads: 28
Full text (1,34 MB)

Abstract: V procesu izdelave magistrskega dela smo sprogramirali zvezni genetski algoritem, ki smo ga uporabili za optimizacijo parametrov PID regulatorja. Za preizkus delovanja algoritma smo replicirali industrijski proces regulacije izhodnega tlaka dveh zaporedno vezanih tlačnih posod in nelinearnega člena. V ta namen smo izdelali sistem vodenja s programom TIA Portal, za oddaljen dostop do procesa pa smo uporabili program KEPServerEX. Procesne odzive smo zajeli pred in po optimizaciji ter ugotovili, da je s predstavljenim optimizacijskim algoritmom mogoče optimizirati parametre PID regulatorja, ne da bi prekinili delovanje procesa.
Keywords: genetski algoritem, optimizacija, digitalni dvojček, PID regulator
Published in DKUM: 08.07.2022; Views: 1012; Downloads: 194
Full text (3,33 MB)

Abstract: Lažnivec je popularna igra s kartami za dva igralca, ki si med seboj razdelita karte in jih izmenično odlagata na kup. Pri sprejemanju svojih odločitev se odločata glede na število kart v rokah in na kupu ter glede na predvidevanje nasprotnikovih potez. V tem diplomskem delu smo predstavili lastno implementacijo igre, ki vključuje več vrst računalniških agentov, definiranih na osnovi statističnih modelov. Poleg tradicionalnih hevristik igranja smo za njihovo definicijo uporabili tudi genetski algoritem, kjer se uspešnost igranja agentov preverja s turnirjem. Slednjega smo izvedli po principu, da vsak igra z vsakim, in z igranjem agentov proti človeškemu nasprotniku. Rezultati igre med agenti so pokazali, da za igro lažnivec ne obstaja splošno najuspešnejša strategija, ki bi zagotavljala zmago v večini primerov. Rezultati igre proti človeškemu igralcu pa so razkrili ključno slabost statistično podprtih modelov, ki se niso zmožni prilagoditi spremembam v nasprotnikovi strategiji.
Keywords: lažnivec, igra s kartami, genetski algoritem, umetna inteligenca, računalniški agenti
Published in DKUM: 18.10.2021; Views: 903; Downloads: 62
Full text (1,64 MB)

Abstract: V magistrski nalogi naslavljamo problem implementacije algoritma NeuroEvolution of Augmenting Topologies (NEAT) za delovanje na grafičnih karticah. Algoritem NEAT je genetski algoritem za učenje razvijajočih nevronskih mrež. Izhaja iz področja nevroevolucije, ki v umetni inteligenci uporablja genetske algoritme za generiranje in učenje nevronskih mrež. Algoritem za svoje delovanje porabi veliko strojnih in časovnih virov, zato je implementacija na grafičnih karticah smiselna. Implementacijo smo izvedli v arhitekturi CUDA, ki jo podpirajo grafične kartice podjetja NVIDIA. Hitrost in uspešnost algoritma smo izmerili na petih različnih grafičnih karticah in jo primerjali s hitrostjo in uspešnostjo originalnega algoritma. Ugotovili smo, da je naša implementacija algoritma zadovoljiva, saj je hitrejša in prav toliko uspešna kot originalna implementacija algoritma NEAT.
Keywords: nevroevolucija, NEAT, nevronska mreža, genetski algoritem, CUDA
Published in DKUM: 21.11.2019; Views: 1440; Downloads: 146
Full text (1,53 MB)