Hibridni digitalni dvojčki za identifikacijo lokaliziranih dinamskih sprememb z metodami strojnega učenjaVrtač, Tim (Avtor) Čepon, Gregor (Mentor) nadzor konstrukcijskega stanjadinamsko podstrukturiranjedigitalni dvojčkistrojno učenjeučna množicanapovedno vzdrževanjeDoktorska naloga se osredotoča na problem pridobivanja učne množice za identifikacijo poškodovanosti struktur s strojnim učenjem. Izkaže se, da je eksperimentalno pogosto zahtevno zajeti nabor podatkov v katerem je zastopan širok nabor različnih poškodbenih stanj. Na drugi strani, numerični modeli stanje realne strukture popisujejo z omejeno natančnostjo, oviro pa predstavlja tudi visoka računska zahtevnost. V sklopu doktorskega dela je predlagana metodologija, ki temelji na dinamskem podstrukturiranju. Ta omogoča tvorjenje hibridnih modelov, ki odražajo stanje realne strukture in hkrati omogočajo simulacijo različnih poškodbenih scenarijev. Dinamsko podstrukturiranja omogoča posodabljanje numeričnih modelov z eksperimentalnimi podatki, poleg tega pa tudi sklapljanje ter odklapljanje različnih vrst modelov eksperimentalnih, numeričnih in analitičnih), kar omogoča tvorjenje reprezentativnih hibridnih učnih množic. V prvem delu raziskav je bila tvorjena hibridna učna množica oblikovana za namen identifikacije poškodb na spojih laboratorijske strukture, ki pogosto predstavljajo kritična mesta sistema. V drugem delu se osredotočimo na spremljanje stanja kompleksnejših spojev, kjer preko dinamskega podstrukturiranja tvorimo podatkovno množico, prenosljivo med različnimi sestavi. V eksperimentalnem testiranju predlaganih pristopov sta bili uspešno tvorjeni učni množici, ki sta bili uporabljeni za treniranje algoritma za lokalizacijo in določitev obsega poškodb na laboratorijski strukturi ter algoritma, sposobnega ovrednotenja kakovosti kovičenega spoja na osnovi njegovega dinamskega odziva.20252025-12-23 08:30:41Doktorsko delo/naloga177412sl