Tomaž Goričan se je rodil 20. aprila 1996 v Mariboru. Po končani Srednji gradbeni šoli in gimnaziji Maribor je nadaljeval študij na Fakulteti za gradbeništvo, prometno inženirstvo in arhitekturo Univerze v Mariboru, kjer je zaključil visokošolski strokovni študij gradbeništva ter nato še magistrski študij. Za tem se je zaposlil na DRI upravljanje investicij, Družba za razvoj infrastrukture, d.o.o. vzporedno pa začel doktorski študij.
Njegovo raziskovalno delo se osredotoča na uporabo naprednih metod umetne inteligence za analizo podatkov, zlasti na področju zanesljivosti napovednih modelov in razvoja matematičnih pristopov za podporo odločanju.
Delovne izkušnje je pridobil na več področjih, med drugim kot inženir nadzora v podjetju DRI d.o.o., kjer je bil vključen v nadzor infrastrukturnih projektov. Nato pa je začel lastno podjetniško pot, ves čas pa je nadaljeval doktorski študij. Sodeloval je tudi v več praktičnih usposabljanjih in projektih v gospodarstvu, kar je dodatno utrdilo njegove tehnične in organizacijske kompetence.
Tekoče govori slovensko in angleško in ima široko znanje uporabe umetne inteligence ostalega računalniškega znanja.
Doktorska disertacija se osredotoča na uporabo metod umetne inteligence in podatkov kolektivne inteligence strokovnjakov za napovedovanje parametrov mostov, grajenih po tehnologiji postopnega narivanja. Podatki kolektivne inteligence omogočajo zajem izkušenj strokovnjakov, metode umetne inteligence pa njihovo uporabo in prenos tega znanja. Pri tem podatki kolektivne inteligence izhajajo iz različnih virov – od zakonskih predpisov do parametrov mostov, grajenih po tehnologiji postopnega narivanja. Majhne zbirke podatkov, ki so običajno stalnica pri specifičnih inženirskih problemih, smo ustrezno obdelali z uporabo primernih statističnih metod in jih razširili za uporabo pri metodah umetne inteligence. S tem smo izboljšali pokritost problemskega prostora. Za razširitev zbirke podatkov je bila uporabljena metoda stratificiranega vzorčenja, pri tem pa so bile upoštevane aleatorne in epistemične nezanesljivosti. Analizirane so bile različne metode umetnih nevronskih mrež v namen doseganja optimalnih rezultatov obravnavanega problema. Razvit je bil empirični matematični model, ki omogoča napoved parametrov mostov, grajenih po tehnologiji postopnega narivanja, ter napoved prečnega prereza mostne konstrukcije ob upoštevanju zakonskih predpisov. Pri napovedi parametrov mostov smo izračunali tudi informacije o relativni zanesljivosti rezultatov in lokalnih napakah. Pri evaluaciji izdelanih modelov smo upoštevali tako napako napovedi kot tudi pripadajoče podatke o relativni zanesljivosti rezultatov. Izdelani so bili dvo- in večdimenzionalni grafi za razlago rezultatov in analizo medsebojnih vplivov različnih parametrov. Uporabili smo strogo matematični pristop ter pristop, ki temelji na interpretaciji rezultatov s pomočjo velikih jezikovnih modelov. Za namen aplikacije rezultatov v gospodarstvu je bila izdelana aplikacija Asistent za načrtovanje mostov z uporabo umetnih nevronskih mrež, ki predstavlja pomoč inženirjem pri projektiranju in gradnji mostov, grajenih po tehnologiji postopnega narivanja. Aplikacija omogoča dinamično spreminjanje vhodnih in izhodnih parametrov. Doktorska disertacija dokazuje uporabo podatkov kolektivne stroke v metodah umetne inteligence pri gradnji mostov, grajenih po tehnologiji postopnega narivanja in podaja splošni okvir uporabe metod umetne inteligence v gradbeništvu.
“The dissertation deals with the use of artificial intelligence methods and collective intelligence data from experts to predict the parameters of bridges built using the incremental launching method. Collective intelligence data captures the expertise of experts, while artificial intelligence methods enable the application and transfer of this knowledge. This collective intelligence data comes from various sources, ranging from legal regulations to parameters of incremental launching bridges. Small data sets, which are common in certain engineering problems, were processed accordingly using suitable statistical methods and expanded for the use of artificial intelligence methods. This improved the coverage of the problem space. A stratified sampling method was used to expand the database, taking into account aleatory and epistemic uncertainties. Various methods of artificial neural networks were analyzed in order to achieve optimal results for the problem under consideration. An empirical mathematical model was developed to predict the parameters of bridges built using the incremental launching method and to predict the cross-section of the bridge structure, taking into account the legal requirements. When predicting bridge parameters, information on the relative reliability of the results and local errors was also calculated. When evaluating the developed models, both the prediction errors and the associated data on the relative reliability of the results were taken into account. Two- and multi-dimensional diagrams were created to explain the results and analyze the relationships between the different parameters. A strictly mathematical approach was combined with an approach based on the interpretation of the results using large language models. An application entitled Assistant for Bridge Design Using Artificial Neural Networks was developed for the practical application of the results in industry. This application supports engineers in the design and construction of bridges using the incremental start method by allowing dynamic changes to the input and output parameters. The dissertation demonstrates the use of collective expert data in artificial intelligence methods for bridge design using the incremental launch method and provides a general framework for the application of artificial intelligence methods in civil engineering.”
