Speed of sound prediction
Predikce rychlosti zvuku
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/108371Identifikátory
SIS: 213394
Kolekce
- Kvalifikační práce [10690]
Autor
Vedoucí práce
Oponent práce
Brabec, Marek
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Obecná informatika
Katedra / ústav / klinika
Informatický ústav Univerzity Karlovy
Datum obhajoby
27. 6. 2019
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
rychlost zvuku, predikce, strojové učeníKlíčová slova (anglicky)
speed of sound, prediction, machine learningTato bakalářská práce prezentuje originální přístup k predikci rychlosti zvuku ve vodných roztocích elektrolytů pomocí technik strojového učení. Je vytvořen model schopný predikovat rychlost zvuku při různých teplotách a molalitách ve vybraných vodných roztocích elektrolytů. Experiment je navržen tak, aby využíval disociace elektrolytů ve vodě. Elektrolyty jsou vnímány jako pár anion/kation. Popis elektrolytů je pak založen pouze na iontech, z nichž se skládá. Tento přístup umožňuje vnímat dostupná data jako matici, v níž jsou řádky tvořeny kationty, sloupce anionty a každá buňka reprezentuje jeden elektrolyt. Možnost vyplnění buněk, pro které nejsou dostupná data, je v práci ověřena. Přesnost finálního modelu je porovnána s existujícími výsledky v literatuře. Protože se však jedná o originální přístup, jsou některé výsledky práce s literaturou neporovnatelné. 1
This bachelor thesis presents a novel approach for speed of sound pre- diction in aqueous electrolytic solutions using machine learning techniques. A single model capable of accurately predicting the speed of sound in se- lected electrolytic aqueous solutions at different temperatures and molalities is trained. The machine learning experiment is designed to exploit the dis- sociation of electrolytes in water. Electrolytes are viewed as cation/anion pairs. Therefore, electrolyte description is based purely on its constituting ions. This approach allows to view the available data as a matrix in which rows represent cations, columns anions and each cell a full electrolyte. The idea of being able to fill cells for which no speed of sound data is yet avail- able is tested within the thesis. The final model's accuracy is compared to existent research on speed of sound prediction. However, some of the model approaches are novel and have no existing comparable settings. 1