Kan en dator lära sig hållfasthetslära?
| dc.contributor.author | Bohlin, Jonas | |
| dc.contributor.author | Gabrielii, Tobias | |
| dc.contributor.author | Lundgren, Jens | |
| dc.contributor.author | Oliv, Adam | |
| dc.contributor.author | Svensson, Joakim | |
| dc.contributor.author | Vinnerholt, Benjamin | |
| dc.contributor.department | Chalmers tekniska högskola / Institutionen för mekanik och maritima vetenskaper | sv |
| dc.contributor.examiner | Enelund, Mikael | |
| dc.contributor.supervisor | Brouzoulis, Jim | |
| dc.date.accessioned | 2020-07-01T12:42:43Z | |
| dc.date.available | 2020-07-01T12:42:43Z | |
| dc.date.issued | 2020 | sv |
| dc.date.submitted | 2020 | |
| dc.description.abstract | Denna rapport redogör för ett kandidatarbete vid institutionen för mekanik och maritima vetenskaper vid Chalmers tekniska högskola som utfördes våren 2020. När studenter stöter på hållfasthetsproblem för första gången är det inte ovanligt att intuitionen sviker. Därför skulle det vara till stor hjälp om det fanns verktyg som enkelt kunde visualisera vad som sker till exempel inuti en balk när den utsätts för olika yttre belastningar. Ett sådant verktyg skulle inte enbart vara till hjälp för inlärningsprocessen utan skulle även gå att applicera i konstruktionsbranschen för att bland annat beräkna hur tjocka takbalkarna i ett hus behöver vara. Denna rapport syftar till att undersöka möjligheterna till att implementera maskininlärning för att lära en dator att lösa handritade problem inom hållfasthetslära. För att läsa in problemet användes objektdetekteringsalgoritmen YOLO. Storheterna som programmet beräknar avgränsades till utböjning, normalkraft, snittmoment och tvärkraft. Beräkningen av utböjningen och de interna storheterna gjordes med hjälp av finita elementmetoden. Slutprodukten är ett datorprogram som efter viss interaktion med användaren kan ta fram diagram över utböjningen, normalkraften, tvärkraften samt snittmomentet och därtill generera en datorritad bild av problemet. Den största svårigheten som stöttes på var att med stor noggrannhet lyckas identifiera alla enskilda objekt trots stora likheter i utseende. Detta ledde till att vissa generaliseringar fick göras, där bland annat riktningar på moment standardiseras och istället får justeras av användaren. | sv |
| dc.identifier.uri | https://hdl.handle.net/20.500.12380/301138 | |
| dc.language.iso | swe | sv |
| dc.relation.ispartofseries | 2020:06 | sv |
| dc.setspec.uppsok | Technology | |
| dc.title | Kan en dator lära sig hållfasthetslära? | sv |
| dc.type.degree | Examensarbete på kandidatnivå | sv |
| dc.type.uppsok | M2 |