Masinõppe meetodite võrdlus vardas esinevate pragude iseloomustamiseks

Abstract

Rods are common components in engineering, where the presence of cracks can significantly reduce load-bearing capacity and pose safety risks. This bachelor’s thesis evaluates the suitability of different machine learning methods for crack identification in rods. Three machine learning models, linear regression, random forest and XGBoost, are compared in their ability to predict crack depth and location using input features from three different domains: natural frequencies, 16 Haar wavelet coefficients and 32 Haar wavelet coefficients. The models are assessed using standard regression metrics and noise is introduced to simulate real-world measurement uncertainty. The results show that the Haar wavelet coefficients outperform natural frequencies, especially in predicting crack location. Among the models, XGBoost consistently delivers the highest accuracy, achieving R2 up to 0.896 in the combined prediction task using the dataset of 32 Haar wavelet coefficients. Random forest also performs well, while linear regression provides fast but less accurate results. The study concludes that XGBoost trained on 32 Haar wavelet coefficients is the most effective approach for crack identification in rods. Vardad on olulised konstruktsioonielemendid, kus pragude olemasolu võib vähendada terve süsteemi kandevõimet. Bakalaureusetöö hindab erinevate masinõppemeetodite sobivust vardas esinevate pragude iseloomustamiseks. Võrreldakse kolme masinõppe mudeli, lineaarne regressiooni, juhumetsa ja XGBoosti, võimet prao sügavuse ja asukoha ennustamiseks mitme mõõdiku alusel. Samuti soovitakse leida, millised sisendandmed sobivad kõige paremini mudelite treenimiseks. Selleks kasutatakse varda omasagedusi, Haari lainikute 16 koefitsienti ning Haari lainikute 32 koefitsienti. Andmetele lisatakse müra mõõtemääramatuse simuleerimiseks. Tulemused näitasid, et sisendandmetena annavad parima tulemuse Haari lainikute koefitsiendid, eriti prao asukoha ennustamisel. Võrreldud mudelitest andis parima tulemuse XGBoost, saavutades Haari lainikute 32 koefitsiendiga andmestikul kombineeritud ennustusülesandes determinatsioonikordaja väärtuseks 0.896. Juhumets näitas samuti häid tulemusi, samas kui lineaarne regressioon oli täpsuselt selgelt tagasihoidlikum. Kokkuvõttes osutus XGBoost koos 32 Haari lainiku koefitsiendiga kõige tõhusamaks lahenduseks varda pragude iseloomustamiseks.