dc.contributor.advisor | Freivalds, Kārlis | |
dc.contributor.author | Lukšēvics, Mārcis | |
dc.contributor.other | Latvijas Universitāte. Datorikas fakultāte | |
dc.date.accessioned | 2021-07-02T01:05:48Z | |
dc.date.available | 2021-07-02T01:05:48Z | |
dc.date.issued | 2021 | |
dc.identifier.other | 81854 | |
dc.identifier.uri | https://dspace.lu.lv/dspace/handle/7/55809 | |
dc.description.abstract | Maģistra darba mērķis ir izstrādāt programmatūru, kas pēc ievades datiem spēj būvinženierim parādīt vairākus iespējamos stikla paketes uzbūves variantus, kas atbilst konstruktīvajām prasībām normatīvos. Darbā implementēti vadlīnijās aprakstīti vienkāršojumi, lai izveidotu ātri aprēķināmus galīgo elementu modeļus. Uz ~2 miljonu galīgo elementu modeļu aprēķinu bāzes ir trenēti neironu tīklu “surogāta modeļi”. Iegūta >98% precizitāte, izmantojot Google piedāvātu automatizētu mašīnmācīšanās risinājumu. Izveidotie neironu tīklu modeļi sasniedz ~160-kārtīgu ātruma palielinājumu salīdzinot ar galīgo elementu aprēķiniem, vienu pilnu stiklu paketes izvērtējumu paātrinot līdz ~300 milisekundēm. Šāds ātrums atļauj lietot optimizācijas algoritmus – ir pielāgota esoša ģenētiskās optimizācijas bibliotēka “GeneticSharp”, kas izmanto mašīnmācīšanās modeļus, lai atrastu vairākus ekonomiskus, normatīviem atbilstošus stikla paketes uzbūves variantus. | |
dc.description.abstract | Title of master’s thesis: Automated selection of structural parameters for insulated glass units. This master's thesis aims to develop software that can find several code-compliant options of insulated glass unit build-ups using the input data given by civil engineer. The simplifications described in the guidelines are implemented to create quickly computable finite element models. Neural network "surrogate models" have been trained using the results data from ~2 million finite element model calculations. Over 98% accuracy was achieved using an automated machine learning solution provided by Google. The trained neural network models achieve a ~160-times increase in speed compared to the finite element calculations, accelerating one full evaluation of the glass build-up to ~300 milliseconds. This speed enables the use of optimization algorithms. An existing genetic optimization library "GeneticSharp" has been adapted to use machine learning models to find several economical and code-compliant options of insulated glass unit build-up. | |
dc.language.iso | lav | |
dc.publisher | Latvijas Universitāte | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.subject | Datorzinātne | |
dc.subject | stikla paketes | |
dc.subject | būvinženierija | |
dc.subject | mašīnmācīšanās | |
dc.subject | automatizācija | |
dc.subject | insulated glass units | |
dc.title | Stikla pakešu konstruktīvo parametru automatizēta noteikšana | |
dc.title.alternative | Automated selection of structural parameters for insulated glass units | |
dc.type | info:eu-repo/semantics/masterThesis | |