Εφαρμογή Μεθόδων Μηχανικής Μάθησης σε προβλήματα του μηχανικού

Μαντέλος, Μάριος; Mantelos, Marios

dc.contributor.author	Μαντέλος, Μάριος	el
dc.contributor.author	Mantelos, Marios	en
dc.date.accessioned	2024-05-21T10:34:07Z
dc.date.available	2024-05-21T10:34:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59425
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27121
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.)	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	el
dc.subject	Υπολογιστική Μηχανική	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Βαθειά Μάθηση	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Engineering	en
dc.subject	Computational Mechanics	en
dc.subject	Machine Learning	en
dc.subject	Deep Learning	en
dc.subject	Optimization	en
dc.subject	Physics informed neural networks	en
dc.subject	PINNs	en
dc.title	Εφαρμογή Μεθόδων Μηχανικής Μάθησης σε προβλήματα του μηχανικού	el
dc.title	Using PINNs for solving engineering problems with MATLAB	en
heal.type	masterThesis
heal.classification	Υπολογιστική Μηχανική	el
heal.classification	Computational Mechanics	en
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-10
heal.abstract	Τα PINNs (physics informed neural networks) αποτελούν μία μοντέρνα μέθοδο με ευρεία χρήση στα προβλήματα μηχανικής, καθώς συνδυάζουν τις αρχές της μηχανικής μάθησης με εκείνες της μηχανικής, δίνοντας τη δυνατότητα για πιο ακριβείς και υπολογιστικά αποδοτικές λύσεις σε πολύπλοκα προβλήματα. Στην εργασία αυτή, χρησιμοποιούνται PINNs για την επίλυση του στατικού και του δυναμικού προβλήματος κάμψης δοκού Euler-Bernoulli υπό διαφορετικές συνθήκες στήριξης. Αναλύεται το πρόβλημα μεταφοράς θερμότητας με αγωγή σε στατική και σε δυναμική κατάσταση, το πρόβλημα μεταφοράς μάζας διάχυσης-συναγωγής σε στατική κατάσταση και το στατικό πρόβλημα κάμψης διδιάστατης πλάκας σε κατάσταση επίπεδης έντασης. Το νευρωνικό δίκτυο είναι ικανό να προβλέψει τη λύση των προβλημάτων με υψηλή ακρίβεια, συγκρίνοντας τα αποτελέσματα με αναλυτικές λύσεις όπου αυτές είναι διαθέσιμες, αλλά και με αποτελέσματα από τις μεθόδους των πεπερασμένων διαφορών και των πεπερασμένων στοιχείων. Δίνεται έμφαση στη δημιουργία του PINN μέσω του MATLAB© [2], στην αρχιτεκτονική, τις παραμέτρους της μεθόδου και στον τρόπο βελτιστοποίησης αυτών με στόχο την υψηλότερη σύγκλιση.	el
heal.abstract	Physics-informed neural networks (PINNs) play a really important role in today’s engineering by integrating data-driven machine learning with physical principles, enabling more accurate and efficient solutions to complex problems. In this work, physics-informed neural networks (PINNs) are used to run the static and the transient problem for an Euler-Bernoulli beam under bending with various structural supports. The static and transient heat conduction problem, the static diffusion – convection mass transfer problem, and the static plane stress plate under bending problem are investigated thoroughly. The neural network is capable of predicting high accuracy results, compared to analytic solution and solution from finite differences and finite elements models. Utmost attention is given to the PINN creation via MATLAB©, its architecture, the method’s parameters and their optimization process, trying to achieve lower mean absolute errors.	en
heal.advisorName	Θεοτόκογλου, Ευστάθιος	el
heal.advisorName	Theotokoglou, Efstathios	en
heal.committeeMemberName	Μπουντουβής, Ανδρέας	el
heal.committeeMemberName	Προβατίδης, Χριστόφορος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	79 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false
heal.fullTextAvailability	false