Thesis supervisor: György Paál
co-supervisor: Bálint Gyires-Tóth
Location of studies (in Hungarian): BME Hidrodinamikai rendszerek Tanszék Abbreviation of location of studies: HDR
Description of the research topic:
a.) Előzmények: Az adatmennyiség és számítási kapacitás drasztikus növekedésének, továbbá a gépi tanuló algoritmusok folyamatos fejlődésének köszönhetően napjainkra számos gyakorlati folyamatot az analitikus megközelítés mellett adatvezérelt, elsősorban empirikus algoritmusokkal modelleznek. Mára talán a leghatékonyabb ilyen gépi tanuló algoritmus az ún. mély tanuló, deep learning paradigmán alapul.
Dr. Tóth Bálint Pál 2007 óta foglalkozik gépi tanulással. 2014 óta az adattudomány világában egyre hangsúlyosabbá váló deep learning (mély tanulás) az elsődleges kutatási területe. Az elméleti mély tanulás mellett súlyt fektet az olyan gyakorlati alkalmazásokra, mint a gépi beszédkeltés, idősormodellezés, predikció és osztályozás. Számos sikeres kutatási és ipari projektben vett részt.
Dr. Paál György az áramlástan több területén szerzett kutatási tapasztalatot és a Hidrodinamikai Rendszerek Tanszéken felgyűlt egyéb tapasztalatokhoz is hozzáfér. A HDR Tanszéken sok tapasztalat gyűlt össze genetikus algoritmusok különböző alkalmazásairól, amik bizonyos helyzetekben a gépi tanuló algoritmusok versenytársai lehetnek.
Ezenkívül a disszertáció egyes részeihez ipari partnerek segítségét is igénybe fogjuk venni. A két, egymástól távol álló terület kölcsönhatása reményeink szerint izgalmas új tudományos eredményeket fog hozni.
b.) A kutatás célja: Új típusú gépi tanuló eljárások, különös tekintettel a mély tanuló algoritmusok hidrodinamikai alkalmazási lehetőségeinek felderítése.
c.) Az elvégzendő feladatok, azok fő elemei, időigénye (az egyes szakaszok sorrendje változhat, átfedések előfordulhatnak):
● Irodalom- és szabadalomkutatás: 6 hónap intenzív kezdeti, majd végig folyamatos;
● Mély tanuló architektúrák és algoritmusok elsajátítása. Új koncepcionális megoldási lehetőségek keresése és kidolgozása, amelyek a konkrét hidrodinamikai problémák megoldására alkalmasabbak, mint az “off the shelf”, “baseline” technikák (6 hónap);
● Genetikus algoritmusok és egyéb gépi tanulási módszerek hatékonyságának összehasonlítása bonyolult szivattyú-járókerék geometriák hatásfok szerinti optimalizálása során (6 hónap);
● Iparban alkalmazott stratégiai fontosságú szivattyúkon több fizikai mennyiséget folyamatosan mérnek a meghibásodások vagy a kedvezőtlen üzemállapotok előrejelzésének céljából. E nagy mennyiségű adatot felhasználva gépi tanuló algoritmussal ezeket az előrejelző rendszereket reményeink szerint nagymértékben finomítani, javítani lehet (6 hónap);
● Vízműveknél nagy mennyiségű vízfogyasztási adat áll rendelkezésre, sok évre visszamenőleg. A vízfogyasztás pontos előrejelzése stratégiai jelentőségű, mivel a szivattyúk energiafelhasználását pontos előrejelzések ismeretében csökkenteni lehet. A vízfogyasztáshoz kapcsolódóan számos más (pl. időjárási) adatot begyűjtve és gépi tanuló algoritmussal feldolgozva reményeink szerint pontosabb előrejelzéseket lehet készíteni (6 hónap);
● Ellenőrzési metrikák készítése, mérések (6 hónap);
● Publikációk készítése, disszertáció írása (12 hónap, folyamatosan, összegezve).
d.) A szükséges berendezések
A szükséges számítástechnikai eszközökkel a TMIT és HDR Tanszék rendelkezik, ill. szükség esetén beszerzi. Az adatokat az ipari partnerektől szerezzük be.
e.) Várható tudományos eredmények: új típusú mély tanuló eljárások alkalmazhatóságának feltérképezése hidrodinamikai rendszerekben.
f.) Irodalom
Bálint Pál Tóth, Tamás Gábor Csapó, Continuous Fundamental Frequency Prediction with Deep Neural Networks, In: 2016 European Signal Processing Conference (EUSIPCO 2016), Budapest, Magyarország, 2016, pp. 1348-1352
Bálint Pál Tóth, Péter Nagy, Géza Németh, Towards Modeling Interrogative Sentences in HMM-based Speech Synthesis, In: PHONETICIAN, vol. 109-110, no. I-II, 2014, p. 18
Bene József Gergely (2013) Optimalizációs módszerek vízellátó hálózatok szivattyú-üzemvitelének meghatározásához, PhD disszertáció
G Bárdossy, G Halász & J Winter (2009) Prognosis of urban water consumption using hybrid fuzzy algorithms, Journal of Water Supply Research and Technology-AQUA 58(3): 203-211.
I Selek, G J Bene & Cs Hős (2012) Optimal (short-term) pump schedule detection for water distribution systems by neutral evolutionary search, Applied Soft Computing 12(8): 2336-2351.
Number of students who can be accepted: 1
Deadline for application: 2017-10-19
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Login
