Προσδιορισμός αστράγγιστης διατμητικής αντοχής αργιλικών εδαφών με την χρήση μεθόδων μηχανικής μάθησης

Δράκος, Ιάσων; Drakos, Iason

dc.contributor.author	Δράκος, Ιάσων	el
dc.contributor.author	Drakos, Iason	en
dc.date.accessioned	2024-02-13T09:58:50Z
dc.date.available	2024-02-13T09:58:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58872
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26568
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	Μηχανική Μάθηση	el
dc.subject	Εδαφομηχανική	el
dc.subject	Γεωτεχνική Μηχανική	el
dc.subject	Αργιλικά Εδάφη	el
dc.subject	Αστράγγιστη Διατμητική Αντοχή	el
dc.title	Προσδιορισμός αστράγγιστης διατμητικής αντοχής αργιλικών εδαφών με την χρήση μεθόδων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Εδαφομηχανική	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10
heal.abstract	Η παρούσα διπλωματική εργασία πραγματεύεται την χρήση της μηχανικής μάθησης στον κλάδο της γεωτεχνικής μηχανικής. Βασικό στόχο της αποτελεί η σύνθεση μιας σειράς αλγορίθμων μηχανικής μάθησης, οι οποίοι τροφοδοτούμενοι με δεδομένα όπως ο δείκτης πλαστικότητας ή ο λόγος υπερστερεοποίησης θα βρίσκονται σε θέση να παρέχουν εκτιμήσεις για την αστράγγιστη διατμητική αντοχή αργιλικών εδαφών. Συγκεκριμένα, χρησιμοποιούνται μοντέλα Τεχνητών Νευρωνικών Δικτύων ( Artificial Neural Networks ), Μηχανές Διανυσμάτων Υποστήριξης ( Support Vector Machines ) και Δένδρα Αποφάσεων ( Decision Trees ) υποβοηθούμενα από τον αλγόριθμο XGBoost. Στο κεφάλαιο της εισαγωγής, παρουσιάζονται οι βασικοί στόχοι της εργασίας και οι λόγοι για τους οποίους θεωρείται σημαντική η χρήση μηχανικής μάθησης για την εκτίμηση γεωτεχνικών παραμέτρων. Στο επόμενο κεφάλαιο γίνεται μια εκτενής αναφορά στις φυσικές και μηχανικές ιδιότητες που χρησιμοποιούνται στα επακόλουθα μοντέλα μηχανικής μάθησης καθώς και στις μεθόδους προσδιορισμού των ιδιοτήτων αυτών. Στο τρίτο κεφάλαιο ( Μηχανική Μάθηση ) περιγράφονται οι κατηγορίες μηχανικής μάθησης που αξιοποιήθηκαν στην παρούσα εργασία καθώς και η μεθοδολογία αξιολόγησης και βελτίωσης των σχετικών μοντέλων. Παράλληλα, πραγματοποιείται και μια σύντομη βιβλιογραφική ανασκόπηση ορισμένων αξιοσημείωτων περιπτώσεων εφαρμογής μοντέλων μηχανικής μάθησης σε ζητήματα γεωτεχνικής μηχανικής. Στο ειδικό μέρος παρουσιάζονται τα μοντέλα μηχανικής που αναπτύχθηκαν για τους σκοπούς της εργασίας και αξιολογούνται τα αποτελέσματα των προβλέψεών τους σε σύγκριση με υπάρχουσες εμπειρικές σχέσεις. Τέλος, στο πέμπτο κεφάλαιο αναλύονται οι παρατηρήσεις και τα συμπεράσματα που προέκυψαν κατά την σύνθεση και αξιολόγηση των προαναφερθέντων μοντέλων. Με βάση τα παραπάνω, παρατίθενται και ορισμένες προτάσεις για περαιτέρω έρευνα επί του παρόντος θέματος.	el
heal.advisorName	Μπενάρδος, Ανδρέας	el
heal.committeeMemberName	Μπενάρδος, Ανδρέας	el
heal.committeeMemberName	Ζευγώλης, Ιωάννης	el
heal.committeeMemberName	Νομικός, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Τεχνολογίας των Κατεργασιών	el
heal.academicPublisherID	ntua
heal.numberOfPages	114 σ.	el
heal.fullTextAvailability	false