Τεχνητή Νοημοσύνη και οδοστρώματα - Εφαρμογή στην πρόβλεψη της συμπεριφοράς οδοστρωμάτων

Παπαζαφειροπούλου, Μαρίνα; Papazafeiropoulou, Marina

dc.contributor.author	Παπαζαφειροπούλου, Μαρίνα
dc.contributor.author	Papazafeiropoulou, Marina
dc.date.accessioned	2025-06-17T05:25:25Z
dc.date.available	2025-06-17T05:25:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62057
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29753
dc.rights	Default License
dc.subject	Οδοστρώματα	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Μηχανές Μάθησης	el
dc.subject	Ομαλότητα	el
dc.subject	Pavements	en
dc.subject	Artificial Intelligence	en
dc.subject	Machine Learning	en
dc.subject	Roughness Index	en
dc.title	Τεχνητή Νοημοσύνη και οδοστρώματα - Εφαρμογή στην πρόβλεψη της συμπεριφοράς οδοστρωμάτων	el
dc.title	Artificial Intelligence and pavements - Application to pavements' behavior prediction	en
dc.contributor.department	Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής	el
heal.type	bachelorThesis
heal.classification	Pavement Engineering	en
heal.classification	Οδοστρώματα	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2025-03-21
heal.abstract	Οι υφιστάμενες μέθοδοι αξιολόγησης, συντήρησης και σχεδιασμού των οδοστρωμάτων βασίζονται σε μοντέλα και ελέγχους, τα οποία μπορεί να απαιτούν χρόνο, ανθρώπινο δυναμικό ή να είναι κοστοβόρα. Η ενσωμάτωση της Tεχνητής Nοημοσύνης στη μηχανική των οδοστρωμάτων εξελίσσει τις μεθόδους αυτές μειώνοντας σημαντικά τον χρόνο διεξαγωγής τους και αυξάνοντας την αποδοτικότητα τους. Στην παρούσα διπλωματική εργασία, διερευνάται η εφαρμογή διαφόρων μοντέλων με σκοπό την καλύτερη δυνατή πρόβλεψη τιμών του δείκτη ομαλότητας των οδοστρωμάτων. Τέσσερα μοντέλα βασισμένα στην Τεχνητή Νοημοσύνη αναπτύχθηκαν και εκπαιδεύτηκαν χρησιμοποιώντας δεδομένα τιμών ομαλότητας οδοστρώματος για τον εντοπισμό ακολουθιών και τη δημιουργία αξιόπιστων προβλέψεων για τιμές του δείκτη ομαλότητας. Τα μοντέλα ενσωματώνουν διάφορους αλγορίθμους μηχανικής μάθησης για την ανάλυση των μετρήσεων που έχουν διεξαχθεί στο υπό μελέτη οδικό τμήμα. Η συγκριτική ανάλυση των επιδόσεων των μοντέλων αναδεικνύει τα πλεονεκτήματα και τους περιορισμούς κάθε προσέγγισης, καταδεικνύοντας τις δυνατότητες των μεθοδολογιών που βασίζονται στην Τεχνητή Νοημοσύνη για την πρόβλεψη της συμπεριφοράς των οδοστρωμάτων μέσα από επιμέρους χαρακτηριστικά τους, όπως είναι και η ομαλότητα τους.	el
heal.abstract	Existing methods of pavement evaluation, maintenance and design are based on models and testing, which can be time-consuming, manpower-intensive or costly. The integration of AI into pavement engineering is evolving these methods by significantly reducing time and increasing efficiency. In this thesis, the application of different models is investigated in order to best predict pavement roughness index values. Four AI-based models were developed and trained using pavement roughness index data to identify sequences and generate reliable predictions of roughness index values. The models incorporate various machine learning algorithms to analyze the measurements taken on the road section under study. The comparative analysis of the models' performance highlights the advantages and limitations of each approach, demonstrating the potential of Artificial Intelligence-based methodologies for predicting pavement behaviour through individual characteristics such as roughness.	en
heal.advisorName	Πλατή, Χριστίνα
heal.advisorName	Plati, Christina
heal.committeeMemberName	Πλατή, Χριστίνα
heal.committeeMemberName	Γιαννής, Γεώργιος
heal.committeeMemberName	Λοΐζος, Ανδρέας
heal.committeeMemberName	Plati, Christina
heal.committeeMemberName	Giannis, George
heal.committeeMemberName	Loizos, Andreas
heal.academicPublisher	Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74
heal.fullTextAvailability	false