Categorization of Structural Analysis and Dynamics Calculation Reports of Engines using Artificial Intelligence

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-05-08

Department

Major/Subject

Tietotekniikka

Mcode

SCI3027

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

24

Series

Abstract

This bachelor’s thesis examines the automated categorization of structural analysis and dynamics calculation reports of engines. Currently, the reports are categorized manually, which is tedious, prone to human error and time consuming. Furthermore, the study examines different methods, which may reveal trends from the reports and groups that have gone unnoticed. Domain experts have selected features from the reports that most effectively classify and distinguish the reports. The features are text data, with each feature typically indicating the simulation type and component type. The thesis is primarily a literature review. However, a small experimental section is included. The aim of the study is to examine methods, which can effectively categorize the text data of the reports. In addition, study the advantages and limitations of these methods. Because majority of machine learning and data analysis methods require numerical data, effective vectorization is studied. However, the thesis includes statistical and rule-based approaches, which do not require vectorization in order to categorize the reports. The thesis concluded that rule-based methods are the most accurate, however, they are tedious to implement. Moreover, a little change needed in categorization, typically requires major changes to the underlying implementation using a rule-based approach. Therefore, rule-based methods are impractical if different categorization types are required. Models based on vectorization were deemed more flexible and easier to expand upon, but more difficult in achieving satisfactory categorization accuracy.

Kandidaatintyö käsittelee lujuuslaskentaraporttien automaattista luokittelua. Tällä hetkellä raportteja luokitellaan käsin, mikä on hidasta, altista virheille ja vie työtunteja. Lisäksi työssä esitellään metodeja, jotka paljastavat raporteista erilaisia trendejä, sekä uusia mahdollisia luokkia, joita ei ole ennen tunnistettu. Alan asiantuntijat ovat valinneet raporteista ominaisuudet, jotka parhaiten luokittelevat ja yksilöivät raportit. Ominaisuudet ovat tekstidataa, ja ominaisuuksista tulee aina ilmi laskennassa käytetty metodi ja mihin moottorin komponenttiin laskentaa tehdään. Työ on pääosin kirjallisuuskatsaus, mutta työn lopussa on pieni kokeellinen osuus. Tutkimuksen tavoitteena on löytää tapoja, joilla raporttien teksti dataa saadaan tehokkaasti luokiteltua ja verrata niiden rajoitteita ja etuja. Työssä luokittelua tarkastellaan pääsääntöisesti erilaisten tekoäly metodien avulla. Koska koneoppimisalgoritmit ja suuri osa data-analytiikan tavoista vaativat numeerista dataa, työn keskeisenä aiheena on tekstin tehokas vektorisointi. Työ käsittelee myös luokittelussa tilastollisia- ja sääntöpohjaisia tapoja, joihin ei tarvitse muodostaa vektoreita raporttien ominaisuuksista. Tutkimus käsittelee luokittelu tapoja juuri tämän kyseisen ongelman pohjalta. Tutkimuksessa todettiin, että sääntöpohjaiset mallit tarjoavat parhaimman tarkkuuden, mutta ovat erittäin vaivalloisia toteuttaa. Lisäksi sääntöpohjaiseen malliin tehdyt pienetkin hienosäädöt vaativat suuria muutoksia olemassa olevaan toteutukseen. Tämä tekee niistä epäkäytännöllisiä, jos mallilta vaaditaan erilaisia luokittelutapoja. Vektorisointiin perustuvat mallit ovat huomattavasti joustavampia, eikä isoja muutoksia tarvitse yleensä tehdä alla olevaan toteutukseen, mutta riittävän tarkkuuden toteutus on vaikeampi saavuttaa

Description

Supervisor

Savioja, Lauri

Thesis advisor

Laaksonen, Jorma

Keywords

natural language processing, text classification, text embedding, text vectorization, artificial intelligence, machine learning

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202406114189

Collections

[kand] Perustieteiden korkeakoulu / SCI