Αφαίρεση θορύβου από καταγραφές απόκρισης Κατασκευών σε δονήσεις περιβάλλοντος με Μηχανικη μάθηση

Χανδρινού, Σταυρούλα; Chandrinou, Stavroula

dc.contributor.author	Χανδρινού, Σταυρούλα	el
dc.contributor.author	Chandrinou, Stavroula	en
dc.date.accessioned	2022-10-05T09:44:50Z
dc.date.available	2022-10-05T09:44:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55843
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23541
dc.rights	Default License
dc.subject	Θόρυβος	el
dc.subject	Μηχανικη μάθηση	el
dc.subject	Παρακολούθηση δομικής κατάστασης	el
dc.subject	Αυτοκωδικοποιητές	el
dc.subject	Αισθητήρες	el
dc.subject	Denoising	en
dc.subject	Machine learning	en
dc.subject	Structural health monitoring	en
dc.subject	Auto encoders	en
dc.subject	Sensors	en
dc.title	Αφαίρεση θορύβου από καταγραφές απόκρισης Κατασκευών σε δονήσεις περιβάλλοντος με Μηχανικη μάθηση	el
dc.title	Noise removal from construction response recording in environmental vibrations with machine learning	en
dc.title	Noise removal from construction response recording in environmental vibrations with machine learning	en
heal.type	bachelorThesis
heal.generalDescription	Η διατήρηση της λειτουργικότητας και της ασφαλείας των τεχνικών έργων αποτελούσε ανέκαθεν κύριο μέλημα για τον Πολιτικό Μηχανικό. Η συνεχής αναθεώρηση των κανονιστικών διατάξεων και δε εκείνων που αφορούν τις αποτιμήσεις, η βελτίωση των υπολογιστικών εργαλείων που έχουν στη διάθεση τους οι μηχανικοί καθώς και η διεύρυνση της χρήσης ενόργανης παρακολούθησης της δυναμικής συμπεριφοράς των κατασκευών είναι μερικές ενέργειες για να επιτευχθεί ο προαναφερθέν στόχος. Επιπρόσθετα, τα τελευταία χρόνια οι τεχνικές Μηχανικής Μάθησης στους τομείς άλλων επιστημών έχουν γνωρίσει σπουδαία άνθιση. Αρχιτεκτονικές πολύπλοκες, για πολύπλοκες διεργασίες όπως η αυτόνομη οδήγηση, η αναγνώριση εικόνων και βίντεο, η πρόβλεψη συμπεριφορών και μεγεθών έχουν αρχίσει να εδραιώνονται και να διαδίδονται στην καθημερινή μας ζωή. Παράλληλα κάποιες νεότερες εφαρμογές Μηχανικής Μάθησης έχουν αρχίσει να χρησιμοποιούνται από ερευνητές για ανίχνευση ζημιών προερχόμενων από κραδασμούς. Η μηχανική εκμάθηση στη Παρακολούθηση της Δομικής Κατάστασης (ΠΔΚ) των κατασκευών περιλαμβάνει την παρατήρηση και την ανάλυση ενός δομικού συστήματος με την πάροδο του χρόνου, λαμβάνοντας τυχαίες περιοδικές μετρήσεις απόκρισης του συστήματος για την καταγραφή μεταβολών στις ιδιότητες των υλικών αλλά και στις γεωμετρικές ιδιότητες των κατασκευών, όπως γέφυρες και κτίρια. Η εφαρμογή της Παρακολούθησης Δομικής Κατάστασης περιλαμβάνει την επιλογή της μεθόδου διέγερσης, του είδους και του αριθμού των αισθητήρων αλλά και της τοποθεσίας της κατασκευής. Στόχο της αποτελεί η δημιουργία μοντέλων ή αναπαραστάσεων για τη χαρτογράφηση μοτίβων εισόδου σε δεδομένα μετρήσεων αισθητήρων για να εξάγει στόχους για εκτίμηση φθορών σε διαφορετικά επίπεδα. Ωστόσο, οι αισθητήρες καταγραφής μπορούν να είναι ιδιαίτερα ακριβοί, κάτι που δυσχεράνει το έργο του μηχανικού. Μέσα από τη χρήση Τεχνητών Νευρωνικά Δικτύων πολλαπλών επιπέδων τροφοδοσίας, τα οποία αποτελούν τη πιο γνωστή και ευρέως χρησιμοποιούμενη τεχνική Μηχανικής Μάθησης για την αυτοματοποιημένη ανίχνευση φθορών στις κατασκευές, εξετάζεται η χρήση χαμηλού κόστους αισθητήρων που παράγουν καταγραφές αυξημένου θορύβου. Ειδικότερα, δημιουργήθηκαν 1197 δομικά μοντέλα μονοβάθμιων ταλαντωτών, από τα οποία προέκυψαν 10773 τεχνητά σήματα που μετατράπηκαν σε εικόνες προκειμένου να εισαχθούν στο νευρωνικό δίκτυο. Ο τύπος νευρωνικού δικτύου που επιλέχτηκε είναι ο Αυτοκωδικοποιητής Απαλοιφής Θορύβου (Denoising Autoencoder) προκείμενου να εκπαιδευτεί για να ξεχωρίζει τον ηλεκτρικό θόρυβο που προκύπτει από τις καταγραφές των αισθητήρων, να τον απαλείφει και να εξάγει την εικόνα απαλλαγμένη από τον θόρυβο, προκειμένου να υπολογισθεί η απόκριση μίας κατασκευής με μεγάλη ακρίβεια και χαμηλό κόστος.	el
heal.classification	Μέθοδοι επίλυσης με Η/Υ	el
heal.classification	Αντισεισμικός σχεδιασμός	el
heal.classification	Προγραμματισμός Η/Υ	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-31
heal.abstract	Η διατήρηση της λειτουργικότητας και της ασφαλείας των τεχνικών έργων αποτελούσε ανέκαθεν κύριο μέλημα για τον Πολιτικό Μηχανικό. Η συνεχής αναθεώρηση των κανονιστικών διατάξεων και δε εκείνων που αφορούν τις αποτιμήσεις, η βελτίωση των υπολογιστικών εργαλείων που έχουν στη διάθεση τους οι μηχανικοί καθώς και η διεύρυνση της χρήσης ενόργανης παρακολούθησης της δυναμικής συμπεριφοράς των κατασκευών είναι μερικές ενέργειες για να επιτευχθεί ο προαναφερθέν στόχος. Επιπρόσθετα, τα τελευταία χρόνια οι τεχνικές Μηχανικής Μάθησης στους τομείς άλλων επιστημών έχουν γνωρίσει σπουδαία άνθιση. Αρχιτεκτονικές πολύπλοκες, για πολύπλοκες διεργασίες όπως η αυτόνομη οδήγηση, η αναγνώριση εικόνων και βίντεο, η πρόβλεψη συμπεριφορών και μεγεθών έχουν αρχίσει να εδραιώνονται και να διαδίδονται στην καθημερινή μας ζωή. Παράλληλα κάποιες νεότερες εφαρμογές Μηχανικής Μάθησης έχουν αρχίσει να χρησιμοποιούνται από ερευνητές για ανίχνευση ζημιών προερχόμενων από κραδασμούς. Η μηχανική εκμάθηση στη Παρακολούθηση της Δομικής Κατάστασης (ΠΔΚ) των κατασκευών περιλαμβάνει την παρατήρηση και την ανάλυση ενός δομικού συστήματος με την πάροδο του χρόνου, λαμβάνοντας τυχαίες περιοδικές μετρήσεις απόκρισης του συστήματος για την καταγραφή μεταβολών στις ιδιότητες των υλικών αλλά και στις γεωμετρικές ιδιότητες των κατασκευών, όπως γέφυρες και κτίρια. Η εφαρμογή της Παρακολούθησης Δομικής Κατάστασης περιλαμβάνει την επιλογή της μεθόδου διέγερσης, του είδους και του αριθμού των αισθητήρων αλλά και της τοποθεσίας της κατασκευής. Στόχο της αποτελεί η δημιουργία μοντέλων ή αναπαραστάσεων για τη χαρτογράφηση μοτίβων εισόδου σε δεδομένα μετρήσεων αισθητήρων για να εξάγει στόχους για εκτίμηση φθορών σε διαφορετικά επίπεδα. Ωστόσο, οι αισθητήρες καταγραφής μπορούν να είναι ιδιαίτερα ακριβοί, κάτι που δυσχεράνει το έργο του μηχανικού. Μέσα από τη χρήση Τεχνητών Νευρωνικά Δικτύων πολλαπλών επιπέδων τροφοδοσίας, τα οποία αποτελούν τη πιο γνωστή και ευρέως χρησιμοποιούμενη τεχνική Μηχανικής Μάθησης για την αυτοματοποιημένη ανίχνευση φθορών στις κατασκευές, εξετάζεται η χρήση χαμηλού κόστους αισθητήρων που παράγουν καταγραφές αυξημένου θορύβου. Ειδικότερα, δημιουργήθηκαν 1197 δομικά μοντέλα μονοβάθμιων ταλαντωτών, από τα οποία προέκυψαν 10773 τεχνητά σήματα που μετατράπηκαν σε εικόνες προκειμένου να εισαχθούν στο νευρωνικό δίκτυο. Ο τύπος νευρωνικού δικτύου που επιλέχτηκε είναι ο Αυτοκωδικοποιητής Απαλοιφής Θορύβου (Denoising Autoencoder) προκείμενου να εκπαιδευτεί για να ξεχωρίζει τον ηλεκτρικό θόρυβο που προκύπτει από τις καταγραφές των αισθητήρων, να τον απαλείφει και να εξάγει την εικόνα απαλλαγμένη από τον θόρυβο, προκειμένου να υπολογισθεί η απόκριση μίας κατασκευής με μεγάλη ακρίβεια και χαμηλό κόστος.	el
heal.sponsor	The research was supported by the Hellenic Foundation for Research and Innovation (H.F.R.I.) under the “2nd Call for H.F.R.I. Research Projects to support Post-Doctoral Researchers”, IMSFARE project: “Advanced Information Modelling for SAFER structures against manmade hazards”, (Project Number: 00356)	en
heal.advisorName	Λαγαρός, Νικόλαος	el
heal.advisorName	Lagaros, Nikolaos	en
heal.committeeMemberName	Λαγαρός, Νικολαός	el
heal.committeeMemberName	Τριαντάφυλλου, Σάββας	el
heal.committeeMemberName	Θανοπουλος, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Δομοστατικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	78 σ.	el
heal.fullTextAvailability	false