Υβριδικές υπολογιστικές προσεγγίσεις βασισμένες σε εξισώσεις και οδηγούμενες από δεδομένα για την ανάλυση και πρόβλεψη βιομηχανικών διεργασιών απόθεσης

Παπαβασιλείου, Πάρις; Papavasileiou, Paris

dc.contributor.author	Παπαβασιλείου, Πάρις
dc.contributor.author	Papavasileiou, Paris
dc.date.accessioned	2025-02-24T21:04:57Z
dc.date.available	2025-02-24T21:04:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61170
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28866
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	machine learning	en
dc.subject	industrial process	en
dc.subject	critical parameters	en
dc.subject	chemical vapor deposition	en
dc.subject	computational fluid dynamics	en
dc.subject	μηχανική μάθηση	el
dc.subject	βιομηχανική διεργασία	el
dc.subject	κρίσιμες παράμετροι	el
dc.subject	χημική απόθεση απο ατμό	el
dc.subject	υπολογιστική ρευστομηχανική	el
dc.title	Υβριδικές υπολογιστικές προσεγγίσεις βασισμένες σε εξισώσεις και οδηγούμενες από δεδομένα για την ανάλυση και πρόβλεψη βιομηχανικών διεργασιών απόθεσης	el
dc.title	Hybrid equation-based and data-driven computational workflows for analysis and prediction of industrial deposition processes	en
dc.contributor.department	Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων	el
heal.type	doctoralThesis
heal.classification	χημική μηχανική	el
heal.classification	μηχανική μάθηση	el
heal.classification	chemical engineering	en
heal.classification	machine learning	en
heal.classification	υπολογιστική ρευστοδυναμική	el
heal.classification	computational fluid dynamics	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-11-15
heal.abstract	Παρά την πρόοδο στην ποιότητα και την ποσότητα των βιομηχανικών δεδομένων, καθώς και το αυξημένο ενδιαφέρον για τις προσεγγίσεις με βάση τα δεδομένα που επιφέρει η τέταρτη βιομηχανική επανάσταση (Industry 4.0), υπάρχουν ακόμη διεργασίες που είναι πολύ περίπλοκες για να μοντελοποιηθούν με ακρίβεια μέσω των παραδοσιακών μεθόδων που είναι βασιμσμένες σε εξισώσεις που διατυπώνουν θεμελιώδεις αρχές, αλλά επίσης δεν διαθέτουν επαρκή δεδομένα για μια προσέγγιση αμιγώς βασισμένη στα δεδομένα. Λαμβάνοντας ως βασικό παράδειγμα μια βιομηχανική διεργασία Χημικής Απόθεσης απο Ατμό (ΧΑΑ), η παρούσα διατριβή προτείνει μια υβριδική υπολογιστική προσέγγιση που περιλαμβάνει μεθόδους βασισμένες σε εξισώσεις (υπολογιστική ρευστοδυναμική - CFD) αλλά και μεθόδους μηχανικής μάθησης (ML) για τη μοντελοποίηση, διερεύνηση και πρόβλεψη τέτοιων πολύπλοκων διαδικασιών. Κατ΄ αρχάς, η εργασία αυτή αποσκοπεί στην παροχή ενός τρόπου πρόβλεψης των αποτελεσμάτων της διεργασίας, ενώ παράλληλα επιτρέπει τη διερεύνηση της διεργασίας και την απόκτηση γνώσεων σχετικά με τα διάφορα αλληλεπιδρώντα φυσικά και χημικά φαινόμενα που τη διέπουν. Το προτεινόμενο μοντέλο ρευστοδυναμικής μπορεί να βοηθήσει στη διερεύνηση της διεργασίας και στην πρόβλεψη της ποσότητας ενδιαφέροντος, η οποία είναι το πάχος της αποτεθειμένης αλουμίνας. Μπορεί επίσης να ρίξει φως στα φαινόμενα που διέπουν τη διαδικασία. Ωστόσο, συνοδεύεται από υψηλό υπολογιστικό κόστος, το οποίο καθιστά απαγορευτική τη χρήση του σε καθημερινές εφαρμογές. Για να ξεπεραστεί αυτός ο περιορισμός, προτείνεται ένα προβλεπτικό μοντέλο αμιγώς βασισμένο σε δεδομένα, το οποίο προσφέρει βελτιωμένη προβλεπτική και υπολογιστική απόδοση. Προτείνεται επίσης ένας τρόπος συνδυασμού των διαθέσιμων δεδομένων παραγωγής της διεργασίας και των αποτελεσμάτων του μοντέλου ρευστοδυναμικής, μέσω της μεθόδου GappyPOD. Στη συνέχεια, η παρούσα εργασία προτείνει μια προσέγγιση αμιγώς καθοδηγούμενη από δεδομένα για τον εντοπισμό πιθανών κρίσιμων παραμέτρων της διεργασίας με βάση έναν συνδυασμό προσεγγίσεων επιτηρούμενης και μη επιτηρούμενης μάθησης. Μετά από μια αρχική ομαδοποίηση των διαθέσιμων δεδομένων αποτελεσμάτων της διεργασίας και την ανάλυση των ομάδων που προκύπτουν, οι διαφορές μεταξύ τους μπορούν να αντιστοιχιστούν με διαφορές στις αντίστοιχες «μεταβλητές εισόδου» της διεργασίας, επιτρέποντας τον προσδιορισμό πιθανών κρίσιμων μεταβλητών της διεργασίας. Αυτές οι μεταβλητές επιτρέπουν την βαθύτερη κατανόηση της διεργασίας και μπορούν στη συνέχεια να χρησιμοποιηθούν για την ανάπτυξη μοντέλων βασισμένων σε δεδομένα για την ποιοτική και ποσοτική πρόβλεψη της έκβασης της διεργασίας. Η ευελιξία αυτής της προσέγγισης αναδεικνύεται στη συνέχεια με την εφαρμογή της σε μια εντελώς διαφορετική διεργασία - τον μεταβολισμό των αστροκυττάρων.	el
heal.abstract	Despite the leaps in quality and quantity of industrial data along with the increased interest in data-driven approaches brought about by Industry 4.0, there are still processes that are too complex to be accurately modeled via traditional first-principles methods, yet lack the necessary data for a purely data-driven approach. Taking an industrial chemical vapor deposition (CVD) process as a key example, this work proposes a hybrid computational workflow involving equation-based (computational fluid dynamics - CFD) and machine learning (ML) methods for the modeling, investigation, and prediction of such complex processes. First, this work aims to provide a way of predicting process outcomes while also allowing the exploration of the process and obtaining insights regarding the several interplaying physical and chemical phenomena that govern it. The proposed CFD model can help with the exploration of the process and the prediction of the quality quantity of interest, which is the thickness of the deposited alumina. It can also shed light on the governing phenomena of the process. However, it comes with a high computational cost, which makes its use in everyday applications prohibitive. To overcome this, a purely data-driven predictive model which offers improved predictive and computational performance is proposed. A way of combining process data and the results of the CFD model is also proposed, via the GappyPOD method. Subsequently, this work proposes a purely data-driven approach to identify potential critical process parameters based on a blend of supervised and unsupervised learning approaches. Following an initial clustering of the available process outcome data and the analysis of the resulting clusters, the differences between them can be matched to the differences in their respective process inputs, allowing the identification of potential key parameters. These parameters allow for deeper insight into the process and can then be used to develop data-driven models for the qualitative and quantitative prediction of the process. The versatility of this approach is then highlighted by its application to a vastly different process; the metabolism of astrocyte cells.	en
heal.advisorName	Μπουντουβής, Ανδρέας
heal.advisorName	Boudouvis, Andreas
heal.committeeMemberName	Skupin, Alexander
heal.committeeMemberName	Magri, Luca
heal.committeeMemberName	Gerogiorgis, Dimitrios
heal.committeeMemberName	Stefanidis, Georgios
heal.committeeMemberName	Bordas, Stephane
heal.academicPublisher	Σχολή Χημικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false