Bc. Radim Vancl samostatně nastudoval a pochopil relevantní odbornou literaturu z oblasti nelineární identifikace, numerických simulací a rekurentních neuronových sítí. V teoretické části práce přehledně zpracoval problematiku úrovní digitalizace, popsal fyzikální model výměníkové stanice, způsob jejího řízení, sběr dat i možnosti matematického modelování.

V praktické části student navrhl měřicí scénáře, realizoval sběr dat a provedl identifikaci parametrů modelů soustavy několika odlišnými metodami. Vedle klasických metod zpracoval také model založený na síti LSTM. Tyto přístupy objektivně porovnal pomocí střední kvadratické chyby a efektivnosti modelu s využitím křížové validace.

Student oba přístupy implementoval do prostředí PLC a ověřil jejich funkčnost na nových scénářích. Právě toto propojení experimentálního sběru dat, matematického modelování, metod strojového učení a praktického nasazení v průmyslově relevantním prostředí považuji za hlavní přednost předložené diplomové práce.

Z práce vyplývá, že datově orientovaný přístup s využitím LSTM dosáhl výrazně lepších výsledků než analytické grey-box modelování, a to jak při validaci, tak i při samotné realizaci digitálního stínu v PLC.

Ke zpracování práce student přistupoval svědomitě, systematicky a s plným nasazením. Prokázal schopnost propojit znalosti modelování tepelných soustav, programování v MATLABu a implementace algoritmů do PLC. Výsledky prezentoval na konferenci Student EEICT a umístil se mezi oceněnými příspěvky.

Předložená práce jednoznačně splňuje zadání, a proto ji doporučuji k obhajobě. Navrhuji hodnocení A, 94 bodů. Points proposed by supervisor: 94

Zadání práce bylo splněno ve všech hlavních bodech. Autor popsal výměníkovou stanici, navrhl identifikační scénáře, provedl měření, vytvořil grey-box model, realizoval jeho identifikaci, provedl validaci několika přístupů a implementoval digitální stín do PLC. Součástí práce je rovněž porovnání dosažených výsledků a jejich experimentální ověření.
Ačkoliv to ze zadání nevyplývá, výběr LSTM namísto uvedeného grey-box modelu vykazuje menší odchylky modelu. Autor avšak mohl uvést vice typů modelů s jejich variantami, mezi kterými vybíral, a případně je srovnat. Při implementaci autor naráží na problém s velikostí pamětí PLC, přičemž se hodí uvést potřebnou a aktuální velikost. Slabší stránkou je také nedostatečná diskuze některých modelových předpokladů, omezení použitého datasetu a omezené srovnání s literaturou.
Práce je formálně zpracována na velmi dobré úrovni. Obsahuje přehlednou strukturu, dostatečné množství obrázků, tabulek a příloh.
Autor čerpal z firemní literatury, několika akademických článků i několika knih zabývajících se modelováním a systémy s přenosem tepla. Topics for thesis defence:

1. Grey-box model dosáhl výrazně horších výsledků než LSTM síť. Do jaké míry jsou tyto rozdíly způsobeny samotnou zvolenou strukturou grey-box modelu a jeho zjednodušujícími předpoklady (např. odhady průtoků a zjednodušený fyzikální popis), a jaké úpravy modelu by podle Vás mohly vést ke zlepšení jeho přesnosti?
2. Na základě jakých předpokladů byla určena perioda vzorkování 5 s?

Points proposed by reviewer: 90