Συντάχθηκε 06-07-2022 10:43
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 11/07/2022 11:30
Λήξη: 11/07/2022 12:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ευθαλία Σταματέλου
με θέμα
Επίλυση Προβλημάτων Ταυτοποίησης Ρωγμών με χρήση Τεχνητών Νευρωνικών Δικτύων
Finding Solutions to Crack Identification Problems using Artificial Neural Networks
Εξεταστική Επιτροπή
Καθηγητής Σταυρακάκης Γεώργιος (επιβλέπων)
Καθηγητής Ζερβάκης Μιχαήλ
Καθηγητής Σταυρουλάκης Γεώργιος (Σχολή ΜΠΔ)
Περίληψη
Στην παρούσα διπλωματική εργασία, παρουσιάζεται η επίλυση ενός αντίστροφου προβλήματος αναγνώρισης ρωγμών στη μηχανική με χρήση πολυστρωματικού νευρωνικού δικτύου που εκπαιδεύεται με οπισθόδρομη διάδοση σφάλματος (backpropagation). Παραδείγματα θα είναι η εύρεση ρωγμών με τη χρήση μετρήσεων στατική παραμόρφωσης ή αρμονικής διέγερσης. Πιο συγκεκριμένα, το εν λόγω πρόβλημα αφορά στον προσδιορισμό της ύπαρξης και των χαρακτηριστικών μιας κρυμμένης ρωγμής, η οποία βρίσκεται μέσα σε μια ελαστική δομή. Για το σκοπό αυτό χρησιμοποιούμε μετρήσεις της δομικής απόκρισης ,εντός των διαθέσιμων ορίων για
συγκεκριμένες φορτώσεις. Το ευθύ πρόβλημα πρόκειται να επιλυθεί με μεθόδους υπολογιστικής μηχανικής (μέθοδος συνοριακών στοιχείων) και το αντίστροφο μέσω εφαρμογής του νευρωνικού δικτύου.. Ως προς την υλοποίηση του νευρωνικού δικτύου, πρόκειται να χρησιμοποιήσουμε Python λόγω της καλής της απόδοσης αλλά και της δυνατότητας που μας δίνει για βελτιστοποίηση των απαιτούμενων υπολογιστικών διαδικασιών. Οι υπάρχουσες βιβλιοθήκες κρίνονται κατάλληλες για οποιεσδήποτε γενικές εργασίες σε σχέση με την επεξεργασία των δεδομένων ενώ επίσης μας παρέχεται επαρκής κάλυψη σε περίπτωση που υπάρξει ανάγκη ενσωμάτωσης του ML σε άλλο λογισμικό. Επιπλέον, χρησιμοποιήθηκαν TensorFlow και Keras το οποία αποτελούν βιβλιοθήκες ανοιχτού κώδικα για αριθμητικούς υπολογισμούς υψηλής απόδοσης που αναπτύχθηκαν από την ομάδα του Google Brain. Οι βιβλιοθήκες αυτές μπορούν
να εκπαιδεύσουν και να τρέξουν βαθιά πολυεπίπεδα νευρωνικά δίκτυα και χρησιμοποιούνται ευρέως στον τομέα της έρευνας και της εφαρμογής της βαθιάς μάθησης. Η μέθοδος είναι γενική και επεκτείνεται για την επίλυση αντιστρόφων προβλημάτων και προβλημάτων ταυτοποίησης παραμέτρων σε οποιοδήποτε πρόβλημα μηχανικής του συνεχούς για το οποίο υπάρχουν αντίστοιχα δεδομένα. Η υλοποίηση του νευρωνικού δικτύου θα παρουσιαστεί βήμα-βήμα με τη μορφή εγχειριδίου και εν τέλει πρόκειται να αναλυθούν τα αποτελέσματα που ελήφθησαν.
Abstract
In the present dissertation, the solution of an inverse problem of crack identification in engineering is presented using a multilayer neural network that is trained with backpropagation. Examples will be cracks in static or harmonic excitation (ie a problem that lies in the field of elastodynamics). More specifically, this problem concerns the identification of the existence and characteristics of a hidden crack, which is located within an elastic structure. For this purpose we use structural response measurements, within the available limits for specific loads. The direct problem is to be solved by methods of computer engineering (boundary element method) and the inverse problem is being solved through the application of a backpropagation neural network. As for the implementation of the neural network, we are going to use Python due to its good performance and the ability it gives us to optimize the required computing processes. Existing libraries are considered suitable for any general work related to data processing and we are also provided with sufficient coverage in case there is a need to integrate ML into other software. In addition, TensorFlow and Keras are used, which are open source libraries for high performance
numerical calculations developed by the Google Brain team. They can train and run deep multilevel neural networks and are widely used in the field of research and application of deep learning. The method is general and can be used for the solution of inverse and parameter identification problems for every problem of mechanics of continuum for which similar data are available. The implementation of the neural network will be presented step by step in the form of a manual and finally the results obtained will be analyzed.
