Προχωρημένες τεχνικές μηχανικής μάθησης για την πρόβλεψη της δυναμικής συμπεριφοράς σε προβλήματα μηχανικού

Σιβένα, Έλλη; Sivena, Elli

dc.contributor.author	Σιβένα, Έλλη	el
dc.contributor.author	Sivena, Elli	en
dc.date.accessioned	2023-01-09T10:42:43Z
dc.date.available	2023-01-09T10:42:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56559
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24257
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Υπολογιστική Μηχανική”	el
dc.rights	Default License
dc.subject	Διαστατική μείωση	el
dc.subject	Αυτοκωδικοποιητής	el
dc.subject	Αναδρομικό νευρωνικό δίκτυο	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Χώρο-χρονικό δυναμικό σύστημα	el
dc.subject	Dimensionality reduction	en
dc.subject	Autoencoder	en
dc.subject	Recurrent neural network	en
dc.subject	Deep learning	en
dc.subject	Spatio-temporal dynamic	en
dc.title	Προχωρημένες τεχνικές μηχανικής μάθησης για την πρόβλεψη της δυναμικής συμπεριφοράς σε προβλήματα μηχανικού	el
heal.type	masterThesis
heal.classification	Υπολογιστική Μηχανική	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-01
heal.abstract	Τα περισσότερα προβλήματα ενός μηχανικού εκφράζονται μέσω μερικών διαφορικών εξισώσεων, οι οποίες δεν λύνονται αναλυτικά εκτός από ειδικές περιπτώσεις. Έχουν αναπτυχθεί αριθμητικές μέθοδοι για την προσέγγιση των λύσεων, αλλά μπορεί να χρειαστεί πολύς χρόνος για την επίλυση τους. Τα βαθιά νευρωνικά δίκτυα γίνονται ραγδαία ένα αποτελεσματικό εργαλείο για την μοντελοποίηση παραμετρικοποιημένων μερικών διαφορικών εξισώσεων. Παρόλου που το αρχικό κόστος της εκπαίδευσης του δικτύου δεν μπορεί να αποφευχθεί, η φάση των προβλέψεων είναι υπολογιστικά χαμηλή παρέχοντας ακριβή αποτελέσματα. Η παρούσα εργασία εξετάζει την αρχιτεκτονική ενός νευρωνικού δικτύου για τη μοντελοποίηση ενός χώρο-χρονικού δυναμικού συστήματος, συγκεκριμένα για την πρόβλεψη της μελλοντικής κατάστασης ενός συστήματος πολλών βαθμών ελευθερίας. Για αυτόν τον λόγο το δίκτυο αποτελείται από δύο διαφορετικά στάδια: α) έναν αυτοκωδικοποιητή που αναπαριστά το αρχικό πολυδιάστατο σύστημα σε έναν λανθάνων χώρο μαθαίνοντας τα πιο σημαντικά χαρακτηριστικά του και β) ένα αναδρομικό νευρωνικό δίκτυο το οποίο τροφοδοτείται με τις κωδικοποιημένες ακολουθίες του αυτοκωδικοποιητή μαθαίνοντας τη δυναμική του λανθάνοντος συστήματος. Με αυτόν τον τρόπο, το δίκτυο μπορεί να παράξει χρονικές προβλέψεις στον λανθάνων χώρο και να ανακατασκευάσει το αρχικό σύστημα μέσω του αποκωδικοποιητή. Αρχικά, τα δύο διαφορετικά είδη δικτύων εφαρμόζονται ανεξάρτητα σε απλά προβλήματα για την βαθύτερη κατανόηση τους, περιλαμβάνοντας τη μοντελοποίηση της εξίσωσης Burgers’ και την πρόβλεψη της χρονικής εξέλιξης ενός μονοβάθμιου ταλαντωτή. Ύστερα, ο συνδυασμός τους βρίσκει εφαρμογή σε ένα πιο σύνθετο πρόβλημα το οποίο αναφέρεται σε ένα τοίχωμα πρόβολο διακριτοποιημένο με πεπερασμένα στοιχεία που υπόκειται σε σεισμό. Συνεπώς το δίκτυο πρέπει να διαχειριστεί ένα πολυδιάστατο χώρο-χρονικό δυναμικό σύστημα το οποίο εξαρτάται επιπλέον και από μια εξωγενή παράμετρο. Παρουσιάζεται μια λεπτομερής ανάλυση και αναλύεται η αξιολόγηση του μοντέλου ανοίγοντας νέες οπτικές για περαιτέρω διερεύνηση του προβλήματος.	el
heal.advisorName	Παπαδόπουλος, Βησσαρίων	el
heal.committeeMemberName	Παπαδόπουλος, Βησσαρίων	el
heal.committeeMemberName	Λαγαρός, Νικόλαος	el
heal.committeeMemberName	Φραγκιαδάκης, Μιχαήλ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false