Χρήση νευρωνικών δικτύων για τον εντοπισμό αστοχιών
σε αεροπορικές κατασκευές

Τρουλάκης, Εμμανουήλ; Troulakis, Emmanouil

dc.contributor.author	Τρουλάκης, Εμμανουήλ	el
dc.contributor.author	Troulakis, Emmanouil	en
dc.date.accessioned	2021-02-03T09:28:21Z
dc.date.available	2021-02-03T09:28:21Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52868
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20566
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ανάπτυξη ρωγμών κόπωσης	el
dc.subject	Αλγόριθμοι μηχανικής μάθησης πρόβλεψη ζωής κόπωσης	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Αναλογία εντασης	el
dc.subject	Fatigue crack growth	en
dc.subject	Machine learning algorithms	en
dc.subject	Fatigue life prediction	en
dc.subject	Artificial neural network	en
dc.subject	Stress ratio	en
dc.title	Χρήση νευρωνικών δικτύων για τον εντοπισμό αστοχιών σε αεροπορικές κατασκευές	el
dc.contributor.department	Τομέας Μηχανικής, Κτήριο Αντοχής Υλικών	el
heal.type	bachelorThesis	el
heal.secondaryTitle	Prediction of Fatigue Crack Growth Rate in Aircraft Aluminum Alloys using Neural Network (en)	el
heal.classification	Μηχανική	el
heal.classification	Πληροφορική	el
heal.language	el	el
heal.access	campus	el
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-06
heal.abstract	Οι σχέσεις μεταξύ του ρυθμού ανάπτυξης ρωγμών κόπωσης (da/dN) και του εύρους συντελεστή έντασης (ΔK) δεν είναι πάντα γραμμικές ακόμη και στην περιοχή του Παρίσιου. Οι επιδράσεις της αναλογίας έντασης στον ρυθμό ανάπτυξης ρωγμών κόπωσης ποικίλλουν σε διαφορετικά υλικά. Ωστόσο, τα περισσότερα υπάρχοντα μοντέλα ανάπτυξης ρωγμών κόπωσης δεν μπορούν να χειριστούν αυτές τις μη γραμμικότητες κατάλληλα. Η μέθοδος μηχανικής εκμάθησης παρέχει μια ευέλικτη προσέγγιση στην μοντελοποίηση της ανάπτυξης ρωγμών κόπωσης λόγω της εξαιρετικής μη γραμμικής προσέγγισης και της πολυμεταβλητής μαθησιακής ικανότητας. Σε αυτή τη διατριβή, προτείνεται μια μέθοδος υπολογισμού αύξησης της ρωγμής από κόπωση που βασίζεται σε αλγόριθμους μηχανικής μάθησης (MLAs): Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ ή ΑΝΝ). Τα ANN συγκρίνονται μεταξύ τους και η μέθοδος που βασίζεται στο MLA επικυρώνεται χρησιμοποιώντας δεδομένα δοκιμών διαφορετικών υλικών.	el
heal.abstract	The relationships between the fatigue crack growth rate (da/dN) and stress intensity factor range (∆K) are not always linear even in the Paris region. The stress ratio effects on fatigue crack growth rate are diverse in different materials. However, most existing fatigue crack growth models cannot handle these nonlinearities appropriately. The machine learning method provides a flexible approach to the modeling of fatigue crack growth because of its excellent nonlinear approximation and multivariable learning ability. In this thesis, a fatigue crack growth calculation method is proposed based on machine learning algorithms (MLAs): Artificial Neural Network (ANN). The MLA based method is validated using testing data of different materials.	en
heal.advisorName	Θεοτόκογλου, Ευστάθιος	el
heal.committeeMemberName	Κοντού, Ευαγγελία	el
heal.committeeMemberName	Μανωλάκος, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μηχανικής. Εργαστήριο Αντοχής Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.	el
heal.fullTextAvailability	false