Diplomová práca sa zaoberá skúmaním vplyvu tvorby plastických deformácií pri vyhodnocovaní rovnoosých zvyškových napätí meraných pomocou odvŕtavacej metódy. V práci bol najskôr vytvorený výpočtový model, pomocou ktorého bol simulovaný proces odvŕtavania pre rôzne lineárne priebehy zvyškových napätí po hĺbke materiálu. Z výsledkov simulácií boli určené zvyškové napätia a porovnávané chyby vyplývajúce z tvorby plastických deformácií v okolí odvŕtavaného otvoru. Následne bola vytvorená neurónová sieť, ktorá bola po natrénovaní schopná tieto chyby minimalizovať. Študent potreboval počas riešenia viacero usmernení po ktorých bol ale schopný samostatnej práce. Negatívne ale hodnotím nadmerné používanie nástrojov generatívnej umelej inteligencie, pretože z priebežných konzultácií som nadobudol dojem, že niektoré myšlienky a postupy uvedené v práci boli nekriticky prebrané z týchto nástrojov bez potrebného overenia či hlbšieho porozumenia danej problematike. Celkovo ale práca splnila vytýčené ciele preto ju hodnotím známkou „veľmi dobre“ a doporučujem ju k obhajobe.

Diplomová práce se zabývá aktuálním a netriviálním problémem rozšíření odvrtávací metody měření zbytkových napětí o korekci vlivu plasticity pro nehomogenní rovnoosá napětí, přičemž všechny stanovené cíle byly splněny. Rešeršní část prokazuje dobrou orientaci autora v problematice. Praktická část je metodicky promyšlená. Hlavním výstupem je korekce pomocí hluboké dopředné neuronové sítě, jež snížila relativní maximální chybu ze 164,9 % na 6,8 %, což je důležitý výsledek doplněný i analýzou citlivosti na experimentální šum. Mezi hlavní výhrady patří omezení pouze na lineární profil napětí a rovnoosý stav, což snižuje praktický dosah výsledku. Je však třeba uznat, že tato omezení byla do značné míry vynucena povahou řešeného problému. V kapitole, která popisuje trénování neuronové sítě chybí zdůvodnění volby konkrétní topologie (proč právě pět vrstev a daný počet neuronů, zda proběhlo ladění hyperparametrů či porovnání alternativních architektur). Volba je popsána, ale není doložena, že je optimální. Dále chybí konvergenční křivka trénování, která je standardním dokladem korektního průběhu učení. Bez ní nelze posoudit, zda nedošlo k podučení nebo naopak, v kolika epochách trénink reálně skončil. Přes uvedené výhrady je práce obsahově bohatá, čtivá, graficky dobře zpracována a má jasnou strukturu. Práci doporučuji k obhajobě a navrhuji klasifikaci A. Topics for thesis defence:

1. Jakým způsobem jste dospěl ke konkrétní topologii neuronové sítě?
2. Z jakého důvodu jste pro generování zbytkových napětí zvolil výhradně lineární průběh po hloubce a jakým reálným technologickým procesům či praktickým stavům napjatosti tento lineární profil odpovídá? Do jaké míry je takové zjednodušení reprezentativní vzhledem k typickým průběhům zbytkových napětí v inženýrské praxi (např. po svařování, kuličkování nebo broušení), které bývají často výrazně nelineární?