Master's Thesis

Application of neural networks in the determination of residual stresses using the hole-drilling method and digital image correlation

Final Thesis 3.33 MB

Author of thesis: Bc. Tomáš Janiš

Acad. year: 2025/2026

Supervisor: Ing. Dávid Halabuk, Ph.D.

Reviewer: Ing. Jan Pokorný, Ph.D.

Abstract:

The presented master’s thesis explores the potential of neural network algorithms within the hole-drilling
method, which uses optical digital image correlation (DIC) for the determination of uniform residual
stresses. The analytical approach of the hole-drilling method, described in the practical part of the thesis,
employs finite element method computational modeling to determine residual stresses from the measured
displacement field around the hole. Based on the simulated drilling process, calibration coefficients are
determined to convert the measured displacements into residual stresses using analytical relationships. The
part of the thesis focuses on machine learning algorithms used as an alternative tool for evaluating residual
stresses from DIC measured displacements. First, an approach based on the artificial neural network (ANN)
algorithm is presented, which uses only measurement data to determine residual stresses. Another approach
is based on the physics-informed neural network (PINN) algorithm, which, unlike the ANN, implements
physical laws derived from the analytical relationships of the hole-drilling method. At the conclusion of the
thesis, these two alternative approaches are compared with the analytical method. Their advantages and
limitations are evaluated, primarily in terms of accuracy, practical application, and stability against noisy
DIC measurement data.

Keywords:

machine learning, artificial neural network, physics-informed neural network, hole-drilling method,
uniform residual stresses, digital image correlation, finite element method, computational modeling

Date of defence

09.06.2026

Result of the defence

Defended (thesis was successfully defended)

znamkaAznamka

Grading

A

Process of defence

Student ve vymezeném čase prezentoval svou závěrečnou práci. Následně byly přečteny posudky vedoucího a oponenta spolu s přiloženými dotazy, na které student odpověděl. Po zodpovězení doplňujících dotazů bylo přistoupeno k odborné rozpravě. Jak by si neuronová síť poradila s lokální nespojitostí? Může dojít ke zkreslení, pokud v trénovací datové sadě nejsou nespojitosti obsaženy? Popište charakter zatěžovaných stavů, které byly výsledkem metody konečných prvků a které byly použity pro trénování neuronové sítě. Jak velká byla databáze primárních numerických výsledků před roznásobením? Byla použitá neuronová síť převzatá, nebo samostatně naprogramovaná? Po zodpovězení všech dotazů bylo vystoupení hodnoceno jako: A – výborně.

Language of thesis

Czech

Faculty

Fakulta strojního inženýrství

Department

Institute of Solid Mechanics, Mechatronics and Biomechanics

Study programme

Engineering Mechanics and Biomechanics (N-IMB-P)

Specialization

Engineering Mechanics (IME)

Composition of Committee

prof. Ing. Jan Vimmr, Ph.D. (předseda)
prof. Ing. Luboš Náhlík, Ph.D. (místopředseda)
prof. Ing. Jindřich Petruška, CSc. (člen)
prof. Ing. Jiří Burša, Ph.D. (člen)
prof. RNDr. Michal Kotoul, DrSc. (člen)
prof. Ing. Pavel Hutař, Ph.D. (člen)
Ing. Jaroslav Suchánek (člen)
doc. Ing. Tomáš Návrat, Ph.D. (člen)

Supervisor’s report
Ing. Dávid Halabuk, Ph.D.

Diplomová práca skúma možnosť využitia neurónových sietí pri meraní zvyškových napätí pomocou odvŕtavacej metódy a digitálnej korelácie obrazu. Študent najskôr pomocou výpočtového modelovania vytvoril databázu rôznych prípadov pri ktorých môže byť merané zvyškové napätie. Keďže bolo uvažované, že meraný materiál sa bude správať lineárne elasticky, následne pomocou princípu superpozície rozšíril túto databázu o ďalšie stavy, čím vznikla pomerne rozsiahla databanka potrebná pre trénovanie neurónových sietí. V diplomovej práci študent porovnával dva typy neurónových s analytickým prístupom. Samotné trénovanie neurónových sietí aj následné testovanie jednotlivých postupov bolo robené pre rôzne úrovne šumu vo vstupných dátach, aby čo najlepšie reflektovalo reálne meranie. Študent pracoval systematicky, pravidelne chodil na konzultácie a s miernymi usmerneniami bol schopný samostatnej práce. Práca splnila vytýčené ciele, preto ju hodnotím známkou „výborne“ a doporučujem ju k obhajobe.
Evaluation criteria Grade
Splnění požadavků a cílů zadání A
Postup a rozsah řešení, adekvátnost použitých metod B
Vlastní přínos a originalita B
Schopnost interpretovat dosažené výsledky a vyvozovat z nich závěry B
Využitelnost výsledků v praxi nebo teorii A
Logické uspořádání práce a formální náležitosti A
Grafická, stylistická úprava a pravopis A
Práce s literaturou včetně citací A
Samostatnost studenta při zpracování tématu B

Grade proposed by supervisor: A

Reviewer’s report
Ing. Jan Pokorný, Ph.D.

Diplomová práce se zabývá využitím neuronových sítí při určování zbytkových napětí pomocí odvrtávací metody a digitální korelace obrazu. Řešené téma je aktuální a odborně náročné, protože jde o špatně podmíněný inverzní problém citlivý na nepřesnosti vstupních dat. Autor v práci vytvořil výpočtový model odvrtávání, stanovil kalibrační koeficienty a porovnal klasický analytický přístup s algoritmy založenými na ANN a PINN.

Práci považuji za velmi zdařilou. Oceňuji množství odvedené práce, ověření zjednodušeného 2D modelu pomocí objemového 3D modelu se zanedbatelnou odchylkou i samotné porovnání metod při různých úrovních zašumění dat. Přínosné je také zhodnocení metod nejen z hlediska přesnosti, ale i stability, náročnosti přípravy a použitelnosti.

K práci mám několik výhrad. Rešeršní část je místy příliš rozsáhlá a některé pasáže působí encyklopedicky, což částečně oslabuje tah na hlavní cíl práce. V textu se objevují i těžkopádné formulace, horší návaznost některých vět a drobné terminologické či jazykové nepřesnosti.

Za podstatnější připomínku považuji interpretaci chyb při porovnání metod. Hodnoty RMSE jsou uvedeny, ale místy chybí jasné zhodnocení, zda jde vzhledem k rozsahu predikovaných veličin o chybu přijatelnou nebo významnou. Přehlednosti by pomohlo zavedení jednotného relativního parametru chyby.

Uvedené připomínky však mají převážně formální nebo interpretační charakter a nesnižují odbornou hodnotu práce. Cíle považuji za splněné v plném rozsahu. Diplomovou práci doporučuji k obhajobě a hodnotím ji známkou A.
Evaluation criteria Grade
Splnění požadavků a cílů zadání A
Postup a rozsah řešení, adekvátnost použitých metod A
Vlastní přínos a originalita B
Schopnost interpretovat dosaž. výsledky a vyvozovat z nich závěry B
Využitelnost výsledků v praxi nebo teorii A
Logické uspořádání práce a formální náležitosti A
Grafická, stylistická úprava a pravopis A
Práce s literaturou včetně citací A
Topics for thesis defence:
  1. Jakou velikost chyby RMSE byste v dané úloze považoval za prakticky přijatelnou při určování složek zbytkového napětí a jak by se tato hranice měla vztahovat k rozsahu predikovaných napětí?
  2. V práci je uvedeno, že neuronové sítě dosahují horší přesnosti při určování váhových faktorů driftu než při určování složek zbytkového napětí. Co je podle Vás hlavní příčinou tohoto chování a jak by bylo možné přesnost určení driftů zlepšit?

Grade proposed by reviewer: A

Responsibility: Mgr. et Mgr. Hana Odstrčilová