1. Razvoj surogatnih algebrskih modelov kinetičnih reaktorjev : diplomsko delo univerzitetnega študijskega programa I. stopnjePetra Munđar, 2023, undergraduate thesis Abstract: Modeliranje kemijskih kinetičnih reaktorjev na osnovi reakcijske kinetike je zahteven proces in običajno vsebuje vsaj dve diferencialni enačbi (snovna in energijska bilanca). Kadar poteka več reakcij modeli postanejo kompleksni in s tem numerično zahtevni. Take modele najpogosteje rešujemo z uporabo procesnih simulatorjev. Reševanje teh enačb v enačbno orientiranem algebrskem sistemu je težavno, saj moramo sisteme diferencialnih enačb pretvoriti v algebrske. Pretvarjanje le teh pa lahko naredimo na več načinov.
V diplomski nalogi smo uporabili tehniko modeliranja, ki temelji na strojnem učenju ti. surogatni modeli, kjer smo iz kompleksnih modelov dobili enostavnejše, ki so primerni za enačbno orinetiran algebraični (EOA) sistem. Za razvoj surogatnih modelov smo uporabili programa ALAMO in Matlab. Cilj diplomske naloge je bil ustvariti matematične modele, ki opisujejo vhodno izhodne podatke in ustvariti zvezne odsekoma linearne modele, ki glede na različne vrednosti statističnega merila najbolje opišejo pridobljene podatke. Za vir podatkov smo uporabili simulacijo kinetičnega reaktorja za sintezo metanola. Simulacijo smo izvedli v programu Aspen Plus; kot podatke smo dobili množinske pretoke sinteznih plinov vzdolž cevnega reaktorja. Ugotovili smo, da lahko kompleksne nelinearne modele snovnega profila komponent v katalitskem cevnem reaktorju zadovoljivo opišemo s sistemom odsekoma zveznih linearnih funkcij in da so ob visokih vrednostih koeficienta determinacije modeli dober približek originalnega nelinearnega modela, ampak ne bodo zadostili masni bilanci.
Raziskave razvoja surogatnih modelov so pomembne za področje procesne sistemske tehnike. Optimizacija in sinteza procesov, ki temeljijo na osnovi matematičnega programiranja, z večanjem računske moči in razvojem novih, hitrejših in učinkovitejših algoritmov, ne bodo več temeljila le na sposobnosti reševanja problemov, ampak bo poudarek tudi na napovedovanju natančnosti modelov, zato so raziskave na področju surogatnih modelov tehtne.
Keywords: Kinetične reakcije, surogatni modeli, odsekoma zvezna linearna regresija, kinetični reaktor, algebrski modeli
Published in DKUM: 10.10.2023; Views: 426; Downloads: 38
 Full text (2,02 MB) |
2. Metoda za izboljšanje prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov z uporabo lokalnih meritev in satelitskih slik : doktorska disertacijaJernej Cukjati, 2023, doctoral dissertation Abstract: V doktorski disertaciji predstavimo novo metodo za izboljšavo prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov. Geoprostorske podatke pogosto dobimo tudi iz meritev, ki jih zajamemo z lokalnimi ali s satelitskimi senzorji. Pomanjkljivost teh zajemov so redki lokalni senzorji in nizka časovna ločljivost satelitskih slik. Prostorsko in časovno ločljivost izboljšamo s souporabo podatkov iz meritev obeh podatkovnih virov. Najprej opazovano območje razdelimo v mrežo pikslov in nad lokalnimi senzorji sestavimo Voronoijev diagram. Središča Voronoijevih celic ustrezajo lokacijam lokalnih senzorjev, ki v danem časovnem trenutku vračajo veljavne izmerjene vrednosti. Za nabor pikslov znotraj vsake posamezne Voronoijeve celice zgradimo ločene regresijske modele s strojnim učenjem. Razlagalne spremenljivke regresijskih modelov so pretekli podatki iz meritev lokalnih senzorjev trenutno izbrane Voronoijeve celice in njenih sosed, ciljne vrednosti pa so iz izbranega nabora pikslov satelitskih slik. Po izračunu vrednosti okoljske spremenljivke v vseh pikslih na opazovanem območju dobimo geolocirano rastrsko sliko okoljske spremenljivke. Predlagano metodo smo uporabili na podatkih meritev lokalnih senzorjev in satelitskih slik toplogrednega plina NO2. Regresijske modele smo zgradili s tremi metodami: algoritmom najbližjih sosedov, linearno regresijo in večplastno naprej usmerjeno nevronsko mrežo. Najvišjo točnost smo dosegli z nevronsko mrežo. Predlagano metodo smo primerjali s petimi referenčnimi metodami, ki so bile predstavljene v zadnjih treh letih. Te metode so: geografsko-časovno obtežena nevronska mreža, prilagodljiva grafovska konvolucijska povratna nevronska mreža, časovna grafovska konvolucijska nevronska mreža z mehanizmom pozornosti, nevronska mreža za izmenjevanje sporočil, združena z mrežami dolgega kratkoročnega spomina, in globoko ansambelsko strojno učenje. Po točnosti je najboljše rezultate dala naša metoda. Najbolj se nam je približala metoda, sestavljena iz nevronske mreže za izmenjavo sporočil in nevronske mreže z dolgim kratkoročnim spominom. Od te smo bili točnejši za približno 5 %.
Keywords: računalništvo, strojno učenje, k-najbližji sosedje, linearna regresija, naprej usmerjena nevronska mreža, daljinsko zaznavanje
Published in DKUM: 02.10.2023; Views: 539; Downloads: 86
Full text (5,61 MB) |
3. Analiza parametrov, ki vplivajo na čas obravnave pacientov v Urgentnem centru Maribor : diplomsko delo univerzitetnega študijskega programaValentina Vavdi, 2023, undergraduate thesis Abstract: Prezasedenost v urgentnih centrih in preobremenjenost osebja je problem, ki se trenutno pojavlja marsikje po svetu. Prezasedenost urgentnih centrov ima posreden negativen vpliv tako na paciente kot na zaposlene. Z ozkimi grli nastajajo zamude pri zdravljenju, poviša se lahko stopnja smrtnosti pacientov, podaljšuje se čas obravnave in pacient je bolj dovzeten za ponovno hospitalizacijo. Da bi zmanjšali preobremenjenost urgentnih centrov, smo v diplomskem delu poskusili napovedati čas trajanja obravnave pacientov glede na izbrane parametre in s tem poskusili predvidevati, kako dolgo traja obravnava pacienta na urgenci glede na značilnosti pacienta in obravnave. V prvem delu smo naredili pregled strokovnih člankov, kjer so avtorji raziskovali podobne primere našemu. Predstavili smo tudi trenutno metodologijo organizacije slovenskih urgentnih centrov. Nadaljevali smo z raziskovalnim delom, kjer smo iskali linearni regresijski model, ki bi najbolje opisal izbrane podatke. Rezultate smo interpretirali in identificirali kritične parametre. V zaključku diplomskega dela smo podali rešitve tako za izboljšavo modela kot rešitve za razbremenitev urgentnih centrov.
Keywords: UKC Maribor, urgentni center, prezasedenost, čas trajanja obravnave pacientov, linearna regresija
Published in DKUM: 04.09.2023; Views: 501; Downloads: 55
Full text (2,51 MB) |
4. Napovedovanje dinamike plazu urbas z modeli časovnih vrst in strojnim učenjemŠtefan Horvat, 2022, master's thesis Abstract: Plazovi lahko resno ogrozijo človeška življenja in povzročijo ogromno gmotno škodo. Na dinamiko plazu običajno vpliva večje število zunanjih dejavnikov, zato je napovedovanje premikov težka naloga. V sodobnem času lahko premike plazov podrobno spremljamo z natančnimi merilnimi instrumenti in tako tvorimo množico podatkov, na podlagi katere gradimo razlagalne in napovedne modele. V magistrskem delu preizkušamo različne tehnike modeliranja premikov plazu Urbas, ki spada med bolj aktivne plazove v Sloveniji. Za modeliranje dinamike plazu uporabimo modele časovnih vrst in nevronsko mrežo z dolgim kratkoročnim spominom. Najboljše prileganje je dosegla nevronska mreža z dolgin kratkoročnim spominom, katere srednja kvadratna napaka je znašala 3,37 mm. Pri napovedovanju premikov se je najbolje odrezal linearni regresijski model s srednjo kvadratno napako 0,52 mm.
Keywords: plaz, časovne vrste, linearna regresija, dinamična regresija, nevron-ske mreže LSTM
Published in DKUM: 15.12.2022; Views: 942; Downloads: 152
Full text (4,33 MB) |
5. Primerjava programskih jezikov Python in R za namene strojnega učenja : diplomsko deloPeter Zupan, 2020, undergraduate thesis Abstract: V diplomski nalogi primerjamo programska jezika R in Python za namene strojnega učenja. Najprej razložimo, kaj je strojno učenje, nato opišemo algoritme, ki smo jih uporabili pri praktičnih primerih, ter predstavimo programska jezika R in Python. V nadaljevanju diplomskega dela na treh različnih primerih prikažemo delovanje obeh programskih jezikov. Nalogo zaključimo s primerjavo programskih jezikov na podlagi pridobljenih rezultatov in ugotovitev iz praktičnega dela.
Keywords: strojno učenje, R, Python, linearna regresija, odločitvena drevesa, nevronske mreže
Published in DKUM: 02.11.2020; Views: 1057; Downloads: 162
Full text (1,16 MB) |
6. Primerjava SVM, MLR in PCA metod pri napovedovanju fotovoltaične proizvodnje v slovenijiAnja Goričan, 2019, master's thesis Abstract: Zaradi teženj po trajnostni in obnovljivi energiji se v elektroenergetski sistem priključuje vedno večji delež fotovoltaičnih virov elektrike. Stabilnost elektroenergetskega sistema je ena ključnih nalog, ki jo mora zagotavljati operater prenosnega omrežja. Ob vedno večjem deležu fotovoltaike v sistemu je to vedno težje zagotavljati, saj se vrednosti proizvodnje fotovoltaičnih virov elektrike spreminjajo nepredvidljivo. Deležniki elektroenergetskega sistema pa morajo vnaprej zagotoviti usklajenost porabe in proizvodnje električne energije. V ta namen pregledamo vpliv različnih metod na napovedovanje proizvodnje fotovoltaike na območju Slovenije. Ob vplivu napovedovalnih metod preverjamo tudi vpliv napovedanega in realnega vremena na proces modeliranja in napovedovanja. V prvem delu magistrskega dela pregledamo osnovne matematične pojme, ki jih potrebujemo za nadaljnjo teorijo o napovedovalnih metodah. Nato predstavimo matematične koncepte metod napovedovanja. V drugem delu se osredotočimo na prikaz rezultatov napovedovanja po napovedovalnih metodah in različnih vhodnih podatkih. Po pregledu rezultatov ugotovimo, da se na predstavljenem kontekstu napovedovanja najbolje obnese metoda podpornih vektorjev z radialnim jedrom. Upoštevati moramo tudi predprocesiranje podatkov, saj je pred napovedovanjem potrebno podatke preslikati z metodo glavnih komponent. Pomemben delež k izboljšanju napake pri napovedovanju prinese tudi uporaba dejanskih podatkov o vremenu, ki se uporabijo v procesu modeliranja.
Keywords: fotovoltaika, napovedovanje fotovoltaične proizvodnje, metoda podpornih vektorjev, metoda glavnih komponent, multipla linearna regresija
Published in DKUM: 20.11.2019; Views: 1766; Downloads: 162
Full text (1,05 MB) |
7. Napovedovanje prihoda ameriških turistov v SlovenijoIrena Babić, 2019, bachelor thesis/paper Abstract: Napovedovanje je v poslovnem okolju ključnega pomena za pravilno sprejemanje poslovnih odločitev in zmanjšanje tveganj le teh ter za uspešno in učinkovito poslovanje, kar velja tudi za turistični sektor. Pri tem je natančno napovedovanje bodočih turističnih trendov še posebej pomembno za pravilno planiranje bodočih investicij v turistično infrastrukturo, saj napačne investicije na osnovi napačnih napovedi lahko vodijo v velike izgube. V okviru načrtovanja modelov za napovedovanje je izrednega pomena ustrezen izbor matematičnih in statističnih metod, na osnovi katerih bo prediktivni model zagotavljal dobre napovedi. V turističnih oskrbovalnih verigah se napovedi turističnega povpraševanja prav tako uporabljajo za zmanjšanje tveganj odločitev in stroškov, da ne bi prišlo do napačnih poslovnih potez in investicij v turistične objekte. V naši diplomski nalogi smo testirali in primerjali dve metodi, in sicer metodo Holt-Winters (HW) in Multiplo linearno regresijo (MLR). Pri metodi HW smo uporabili zgodovinske podatke o prihodu ameriških turistov v Slovenijo. Pri MLR pa smo poleg podatkov o prihodu ameriških turistov, torej časovne vrste, ki jo napovedujemo, uporabili tudi eksogene makroekonomske kazalnike gospodarstva ZDA kot vhodne regresorske časovne vrste. Rezultati so pokazali, da se model MLR nekoliko bolje prilega dejanskim podatkom v primerjavi z modelom HW. Torej dodatne informacije, ki jih nosijo eksogeni kazalniki, pripomorejo k boljšemu opisu dinamike gibanja prihodov ameriških turistov. Poleg same analize dinamike gibanja prihodov turistov nas je zanimalo tudi napovedovanje, kjer smo uporabili model HW, s katerim smo izračunali napovedi prihodnjih prihodov turistov za štiri četrtletja.
Keywords: napovedovanje, Holt-Winters metoda, multipla linearna regresija, makroekonomski kazalniki, ameriški turisti
Published in DKUM: 04.04.2019; Views: 1321; Downloads: 93
Full text (2,23 MB) |
8. Zasnova in razvoj aplikacije za napovedovanje vremena z uporabo strojnega učenjaKlemen Bec, 2018, undergraduate thesis Abstract: Zaradi sodobne tehnologije, kot so npr. računalniki in internet imamo, v današnjem času, na voljo zelo veliko podatkov. To je tudi eden izmed glavnih razlogov, zakaj je postalo strojno učenje tako popularno. Med podatki so tudi podatki o vremenu, ki jih pridobivamo s satelitov, zračnih balonov in vremenskih postaj na Zemlji. Zato sem se odločil, da bom izdelal aplikacijo, ki bo s pomočjo teh podatkov in strojnega učenja napovedala vreme.
V diplomskem delu je približno četrtina vsebine namenjena teoriji. Na kratko je predstavljeno napovedovanje vremena in strojno učenje. Opisano je, kako sta ta dva področja med sabo povezana v praksi. V zadnjem delu teorije so opisane uporabljene metode strojnega učenja in merila kakovosti. Predstavljeni so tudi uporabljeni programi in tehnologije. Predvsem pa je diplomsko delo osredotočeno na izdelavo aplikacije za napovedovanje vremena. Na koncu je predstavljena uporaba aplikacije. Podani so končni rezultati in zapisane so ugotovitve.
Keywords: strojno učenje, nevronske mreže, priprava podatkov, vremenska napoved, linearna regresija, LSTM, scikit-learn, keras
Published in DKUM: 08.10.2018; Views: 1943; Downloads: 193
Full text (1,90 MB) |
9. Napovedovalni model proizvodnje energije v digitalnem dvojčku sončne elektrarneLea Zajc, 2018, master's thesis Abstract: Magistrsko delo obravnava koncept digitalnega dvojčka in predstavi implementacijo digitalnega dvojčka sončne elektrarne s tehnologijo napovedovanja proizvodnje električne energije. Implementiranih je pet metod napovedovanja s poudarkom na metodi naključnih gozdov. Delo je razdeljeno v šest poglavij. Prvo poglavje definira koncept digitalnega dvojčka in opiše njegove glavne procese. Navedejo se namen in primeri uporabe. Drugo poglavje predstavi napovedovanje proizvodnje sončne elektrarne s fotonapetostnimi celicami. Opisan je proces pretvorbe sončne energije v električno. Našteti in opisani so vplivi na proizvodnjo sončne elektrarne, definirani sta atmosferska in električna formula za izračun električne energije v nekem času t. Opisane so metode za napovedovanje proizvodnje električne energije: posplošena linearna regresija, metoda podpornih vektorjev in avtoregresija. Definirana je formula za napoved proizvodnje električne energije z vključenimi lastnostmi sončne elektrarne in nekaterimi vremenskimi podatki, kar predstavlja fizikalni model. V tretjem poglavju je podrobneje predstavljeno delovanje naključnih gozdov in primeri uporabe, kjer se na začetku omeni odločitvena drevesa, s pomočjo katerih je izpeljana definicija naključnih gozdov. Četrto poglavje predstavi taksonomijo problemov in metod napovedovanja elektroenergetskih količin, v tabelo so dodane nove taksonomske enote, primerjave med tehnikami napovedovanja so uvrščene v izdelano taksonomijo, razširi se graf primerjav. Peto poglavje prikaže implementacijo digitalnega dvojčka sončne elektrarne FERI, predstavijo se vhodni parametri senzorjev, ostali vhodni podatki ter podatki, ki bi jih bilo smiselno pridobiti in vključiti. Opisana je integracija digitalnega dvojčka s sončno elektrarno. V analitiki digitalnega dvojčka je, s pomočjo zgledov, predstavljena uporaba metod napovedovanja. V zadnjem poglavju so definirani pogreški za primerjavo modelov, sledijo razlage rezultatov posameznih modelov polurne napovedi. Na koncu so modeli med sabo primerjani glede na novo definiran pogrešek E-MAPE, ki je konsistenten s standardno uporabljenim pogreškom M AE, razen pri primerjavi rezultatov avtoregresije in posplošene linearne regresije.
Keywords: digitalni dvojček, sončna elektrarna, napovedovanje, naključni gozd, podporni vektorji, posplošena linearna regresija, avtoregresija, fizikalni model, taksonomija
Published in DKUM: 04.10.2018; Views: 1296; Downloads: 203
Full text (1,80 MB) |
10. Rekurzivna delitev modelov linearne regresije za oceno zanimivosti asociativnih pravil v različnih časovnih obdobjihGoran Hrovat, 2018, doctoral dissertation Abstract: Zanimivosti asociativnih pravil ali pogostih množic postavk se lahko skozi čas spreminjajo. Prav tako je lahko njihova zanimivost različna za različne skupine (npr. skupine ljudi). V doktorski disertaciji je predstavljen nov algoritem za določanje zanimivosti asociativnih pravil in množic postavk v različnih časov¬nih obdobjih. Algoritem odkriva skupine pacientov, ki se glede na trend zanimivosti asociativnega pravila statistično značilno razlikujejo. Rezultat algoritma je odločitveno regresijsko drevo, katerega povezave predstavljajo različne skupine pacientov, listi pa prikazujejo grafe z zanimivostmi asociativnega pravila ali množice postavk v različnih časovnih obdobjih. Pokazali smo tudi, da podpora pogoste množice postavk vpliva na kompleksnost zgrajenega regresijskega drevesa. Za demonstracijo smo uporabili elektronske zdravstvene zapise, zbrane v obdobju 15 let, ki predstavljajo odpuste pacientov iz različnih bolnišnic v Združenih državah Amerike. Predstavljeni algoritem predstavlja v tem primeru uporabno vrednost za bolnišnice, zavarovalnice, raziskovalne in ostale institucije, saj jih lahko odkrito znanje vodi do novih spoznanj in optimizacije poslovanja.
Keywords: podatkovno rudarjenje, mere zanimivosti, asociativna pravila, podpora odločanju, regresijsko dre-vo, linearna regresija, elektronski zdravstveni zapis
Published in DKUM: 12.07.2018; Views: 2215; Downloads: 146
Full text (17,46 MB) |
