Ανάλυση δυναμικών συστημάτων με νευρωνικά δίκτυα καθοδηγούμενα από τη Φυσική

Τζαννή, Αικατερίνη; Tzanni, Aikaterini

dc.contributor.author	Τζαννή, Αικατερίνη	el
dc.contributor.author	Tzanni, Aikaterini	en
dc.date.accessioned	2025-12-04T12:03:16Z
dc.date.available	2025-12-04T12:03:16Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62997
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30693
dc.rights	Default License
dc.subject	Δυναμική Ανάλυση Κατασκευών	el
dc.subject	Επιστημονική Μηχανική Μάθηση (ΕπΜΜ)	el
dc.subject	Νευρωνικά Δίκτυα καθοδηγούμενα από τη Φυσική	el
dc.subject	Structural Dynamics	en
dc.subject	Scientific Machine Learning - SciML	en
dc.subject	Physics - Informed Neural Networks (PINNs)	en
dc.title	Ανάλυση δυναμικών συστημάτων με νευρωνικά δίκτυα καθοδηγούμενα από τη Φυσική	el
dc.title	Analysis of dynamical systems using Physics informed neural networks	en
heal.type	bachelorThesis
heal.classification	Δυναμική Ανάλυση Κατασκευών	el
heal.classification	Structural Dynamics	en
heal.classification	Επιστημονική Μηχανική Μάθηση	el
heal.classification	Scientific Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-03-26
heal.abstract	Structural Dynamics is an essential procedure for the design and study of safe and efficient engineering projects. However, it may often be computationally taxing, especially when it involves complex computational models and nonlinear analyses. The rapid development of computational technology in recent decades has proportionally increased the demand for more accurate and large computational models. Therefore, the need for innovative and efficient simulation methods becomes increasingly evident. The rapid development of Artificial Intelligence (AI) and Machine Learning (ML) in recent years has revolutionized many fields, enabling significant advances in automation, data analysis, and predictive modelling of physical processes. These developments have been fueled by increasing computational power, availability of massive amounts of data, and the creation of sophisticated algorithms that continuously improve. In engineering and physics, the integration of ML techniques facilitates the resolution of complex problems that could previously be intractable, employing conventional methods. This evolution has led to the emergence of the field of Scientific Machine Learning (SciML). Physics-Informed Neural Networks (PINNs) constitute the most prominent and widely adopted tool within SciML. PINNs provide a method for solving complex problems by combining machine learning techniques with the governing physical laws. The integration of physical laws into the training process of neural networks enhances the predictive capability of such models, reducing the dependence on real, often scarce, training data while simultaneously achieving high accuracy. In the present work, the application of PINNs for the dynamic analysis of structures is investigated. The ability of such models to predict the dynamic response of a system, as well as to identify its parameters through the model training process, is explored. The applicability, efficiency, as well as limitations of the method are assesed through numerical applications.	en
heal.abstract	H δυναμική ανάλυση κατασκευών αποτελεί μια απαραίτητη διαδικασία για τον σχεδιασμό και την μελέτη ασφαλών και αποδοτικών τεχνικών έργων. Ωστόσο, αυτή συχνά συνοδεύεται από υψηλό υπολογιστικό κόστος, ιδιαίτερα όταν αφορά σύνθετα υπολογιστικά προσομοιώματα και αναλύσεις υπό καθεστώς μη γραμμικότητας. Οι τελευταίες δεκαετίες ραγδαίας ανάπτυξης της υπολογιστικής τεχνολογίας έχουν οδηγήσει σε μια αναλογικά αυξανόμενη ζήτηση για πιο ακριβή και πολύπλοκα υπολογιστικά μοντέλα. Επομένως, αναδύεται ολοένα και περισσότερο η ανάγκη για καινοτόμες και αποδοτικές μεθόδους προσομοίωσης. Η ταχεία ανάπτυξη της Τεχνητής Νοημοσύνης (ΤΝ) και της Μηχανικής Μάθησης (ΜΜ) τα τελευταία χρόνια έχει φέρει επανάσταση σε πολλούς τομείς, επιτρέποντας σημαντική πρόοδο σε τομείς όπως ο αυτοματισμός, η ανάλυση δεδομένων και η προγνωστική προσομοίωση φυσικών διεργασιών. Αυτές οι εξελίξεις έχουν τροφοδοτηθεί από την αυξανόμενη υπολογιστική ισχύ, τη διαθεσιμότητα τεράστιων όγκων δεδομένων και την ανάπτυξη εξελιγμένων αλγορίθμων που βελτιώνονται συνεχώς. Στον χώρο της μηχανικής και της φυσικής, η ενσωμάτωση τεχνικών ΜΜ επιτρέπει την επίλυση πολύπλοκων προβλημάτων που προηγουμένως ήταν αδύνατο να αντιμετωπιστούν με τις παραδοσιακές μεθόδους. Αυτή η εξέλιξη οδήγησε στην ανάδυση του κλάδου της Επιστημονικής Μηχανικής Μάθησης (ΕπMM) -Scientific Machine Learning (SciML). Το πλέον γνωστό και διαδεδομένο εργαλείο της ΕπΜΜ είναι τα Νευρωνικά Δίκτυα καθοδηγούμενα από τη Φυσική (Physics-Informed Neural Networks - PINNs). Τα PINNs αποτελούν μια μέθοδο επίλυσης σύνθετων προβλημάτων, συνδυάζοντας τεχνικές ΜΜ με τους φυσικούς νόμους που διέπουν το εκάστοτε πρόβλημα. Η ενσωμάτωση των φυσικών νόμων στη διαδικασία της εκπαίδευσης των νευρωνικών δικτύων διευκολύνει την προγνωστική ικανότητα τέτοιων μοντέλων καθώς μειώνεται η εξάρτηση από πραγματικά, συχνά δυσεύρετα, δεδομένα εκπαίδευσης επιτυγχάνοντας παράλληλα υψηλή ακρίβεια. Στην παρούσα εργασία, εξετάζεται η εφαρμογή των PINNs στην δυναμική ανάλυση κατασκευών. Πραγματοποιείται διερεύνηση τόσο της ικανότητας τέτοιων μοντέλων να προβλέψουν την δυναμική απόκριση ενός συστήματος, όσο και η ταυτοποίηση παραμέτρων αυτού, μέσω της διαδικασίας εκπαίδευσης του μοντέλου. Η εφαρμοσιμότητα, η αποδοτικότητα, καθώς και τα όρια της μεθόδου αξιολογούνται στα πλαίσια αριθμητικών εφαρμογών.	el
heal.advisorName	Τριανταφύλλου, Σάββας	el
heal.committeeMemberName	Λαγαρός, Νικόλαος	el
heal.committeeMemberName	Παπαδόπουλος, Βησσαρίων	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Δομοστατικής. Εργαστήριο Στατικής και Αντισεισμικών Ερευνών	el
heal.academicPublisherID	ntua
heal.numberOfPages	105 σ.	el
heal.fullTextAvailability	false