HEAL DSpace

Αξιοποίηση τεχνικών μηχανικής μάθησης στην ψηφιακή σύνθεση μικροδομών αντιπροσωπευτικού όγκου

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Σκεπετζάκη, Ελένη el
dc.contributor.author Skepetzaki, Eleni en
dc.date.accessioned 2025-01-15T11:43:15Z
dc.date.available 2025-01-15T11:43:15Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/60743
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.28439
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 Αλουμίνιο el
dc.subject Μηχανική Μάθηση el
dc.subject Παραγωγικά Ανταγωνιστικά Δίκτυα el
dc.subject Μικροδομές Αντιπροσωπευτικού Όγκου el
dc.title Αξιοποίηση τεχνικών μηχανικής μάθησης στην ψηφιακή σύνθεση μικροδομών αντιπροσωπευτικού όγκου el
heal.type bachelorThesis
heal.classification Επιστήμη και Τεχνολογία Υλικών el
heal.classification Μηχανική Μάθηση el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2024-07-18
heal.abstract Το θέμα της ψηφιακής αναπαράστασης μικροδομών και η εξαγωγή χρήσιμων πληροφοριών ως προς αυτές με την αξιοποίηση των τεχνικών μηχανικής μάθησης εξετάζεται στην παρούσα διπλωματική εργασία. Αναλυτικότερα, μελετάται η δημιουργία συνθετικών εικόνων μικροδομών κραμάτων αλουμινίου και παράλληλα η λήψη των πληροφοριών σχετικών με τις μικροδομές αυτές, κάνοντας χρήση της ημι-επιβλεπόμενης μηχανικής μάθησης (Semi-supervised Machine Learning) και των παραγωγικών ανταγωνιστικών δικτύων (GANs). Αρχικά, περιγράφεται η μεθοδολογία που ακολουθήθηκε και ο κύριος σκοπός της παρούσας εργασίας. Η διπλωματική εργασία χωρίζεται σε δύο κύρια μέρη, στο θεωρητικό και στο πειραματικό. Το πρώτο περιλαμβάνει το θεωρητικό υπόβαθρο, καλύπτοντας όλες τις απαραίτητες έννοιες, οι οποίες αφορούν τα μεταλλουργικά στοιχεία, την μηχανική μάθηση, τις μεθόδους της και τις μικροδομές αντιπροσωπευτικού όγκου (RVE’s), προκειμένου να καθίσταται εφικτή η κατανόηση και η ερμηνεία, τόσο του δεύτερου μέρους όσο και των τελικών αποτελεσμάτων. Στο πειραματικό μέρος, γίνεται περιγραφή της διαδικασίας κατασκευής των RVE’s, του απλού αλγορίθμου και του παραγωγικού ανταγωνιστικού δικτύου ημιεπιβλεπόμενης μηχανικής μάθησης (SGAN), τα οποία χρησιμοποιήθηκαν προκειμένου να παραχθούν συνθετικές εικόνες με χαρακτηριστικά όσο το δυνατόν πλησιέστερα σε αυτά της μικροδομής του αλουμινίου. Τέλος, παρατίθενται τα αποτελέσματα που προέκυψαν και από τα δύο μοντέλα, καθώς και ορισμένα σχόλια και συμπεράσματα, τα οποία εξάγονται αναφορικά με αυτά και την απόδοσή τους. el
heal.advisorName Παπαευθυμίου, Σπύρος el
heal.committeeMemberName Πάνιας, Δημήτρης el
heal.committeeMemberName Τσαγγαράτος, Παρασκευάς el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανικών Μεταλλείων Μεταλλουργών. Τομέας Μεταλλουργίας και Τεχνολογίας Υλικών el
heal.academicPublisherID ntua
heal.numberOfPages 99 σ. el
heal.fullTextAvailability false


Αρχεία σε αυτό το τεκμήριο

Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο:

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Εκτός από όπου ορίζεται κάτι διαφορετικό, αυτή η άδεια περιγράφεται ως Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα