VYUŽITÍ STROJOVÉHO UČENÍ VE STAVEBNICTVÍ

APPLICATION OF MACHINE LEARNING IN CIVIL ENGINEERING

Ph.D. thesis principal points

Czech

Toto pojednání se zabývá problematikou strojového učení ve stavebnictví, možnostmi jeho využití a omezeních, ukázaných na reálných příkladech z praxe. Digitalizace průmyslu a s ní související využití pokročilých výpočetních metod, jako například umělé inteligence, prodělala v posledních deseti letech nebývalý pokrok. Přesto stavebnictví zaostává za ostatními odvětvími. Toto téma nabízí mnoho prostoru k výzkumu, jehož výsledky mohou být velmi dobře aplikovatelné v praxi. Strojové učení v sobě skrývá potenciál levně a efektivně zpracovávat velké soubory dat s vysokou přesností, a to takřka v reálném čase. Aby toto bylo možné, je třeba pro daný problém vyřešit otázky, jako volba vhodné metody, její architektury a optimalizace parametrů. Dalším důležitým směrem výzkumu je pre-processing dat, jejich formát a rozdělení do trénovacích a testovacích setů. Toto téma, navzdory velkému pokroku v oblasti strojového učení, je stále diskutováno bez jednotných závěrů. To jsou směry, kterými se tato práce vydává.

This dissertation deals with the issue of machine learning in civil engineering, its possibilities of use and limitations, shown on real examples from practice. The digitization of industry and the associated use of advanced computational methods, such as artificial intelligence, have made unprecedented progress in the last ten years, yet civil engineering lags behind other sectors. This topic offers a lot of space for research, the results of which can be very well applicable in practice. Machine learning has the potential to process large data sets cheaply and efficiently with high accuracy and in almost real time. In order for this to be possible, it is necessary to solve issues for the given problem, such as the choice of a suitable method, its architecture and parameter optimization. Another important direction of research is pre-processing of data, their format and division into training and testing sets. This topic, despite great progress in the field of machine learning, is still being discussed without uniform conclusions. These are the directions in which this work goes.

strojové učení, železniční stavby, energetická flexibilita budov, predikce pohybu, neuronové sítě, metoda podpůrných vektorů

machine learning, railway constructions, energy flexibility of buildings, motion prediction, neural networks, support vector machines

PÁLKOVÁ, M.

28. 2. 2022