Místo
Anotace
Metoda konečných prvků (FEM – Finite Element Method) je dnes jedním z nejrozšířenějších nástrojů pro numerické řešení parciálních diferenciálních rovnic (PDE). Díky své flexibilitě při práci s nepravidelnými doménami a složitými okrajovými podmínkami nachází uplatnění v oblastech jako je mechanika kontinua, termodynamika, elektromagnetismus nebo proudění tekutin.
Navzdory své robustnosti má klasická FEM několik omezení:
- báze funkcí (např. lineární nebo kvadratické) jsou pevně dané a neadaptivní,
- interpolace závisí na kvalitně použité numerické sítě,
- pro dosažení vyšší přesnosti je často nutné zahušťování sítě, což zvyšuje výpočetní náročnost.
V posledních letech se objevuje snaha tyto limity překonat pomocí nástrojů strojového učení, konkrétně neuronových sítí. Jedním z přístupů je nahradit tradiční FEM báze trénovatelnou neuronovou strukturou, která se dokáže lépe přizpůsobit tvaru řešení i kvalitě diskrétní sítě. Tento přístup je znám jako neuronové FEM.
Cíle práce (jde o cíle pro víceletou navazjící práci):
- Seznámit se se základy metody konečných prvků včetně prvků vyšších řádů.
- Implementovat základní metodu FEM v knihovně TNL.
- Otestovat implementaci na vhodných úlohách.
- Seznámit se se základy neuronových sítí a jejich využití v metodě konečných prvků.
- Implementovat metodu Finite Element Neural Network Interpolation (FENNI) v knihovně TNL a otestovat na vhodných úlohách.
Přínosy pro studenta:
- Získá velice dobré znalosti jak metody konečných prvků, tak i základy neuronvých sítí a jejich využití pro numerické výpočty.
- Získá velice dobrou znalost jazyka C++.
- Přispěje k rozvoji nejnovějších numerických metod pro řešení parciálních diferenciálních rovnic.
Zdroje:
- Škardová, Kateřina, Alexandre Daby-Seesaram, and Martin Genet. "Finite Element Neural Network Interpolation. Part I: Interpretable and Adaptive Discretization for Solving PDEs." arXiv preprint arXiv:2412.05719 (2024).
Vedoucí práce
Téma si rezervujte v KOSu