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 |
The following license files are associated with this item: