Συντάχθηκε 10-09-2024 14:25
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 16/09/2024 10:00
Λήξη: 16/09/2024 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ
Σχεδίαση και Παραγωγή Προϊόντων – Product Design and Manufacturing
Ονοματεπώνυμο: Καραμήτσος Μάριος
Αριθμός Μητρώου: 2021019003
Θέμα
Τίτλος στα Ελληνικά: Νευρωνικά δίκτυα εμπνευσμένα από τη φυσική για σύνθετα υλικά.
Τίτλος στα Αγγλικά: Physics Informed Neural Networks (PINNs) for composite materials.
Επιτροπή:
Επιβλέπων: Καθηγητής Γεώργιος Ε. Σταυρουλάκης
Πρώτο Μέλος: Καθηγητής Ιωάννης Νίκολος
Δεύτερο Μέλος: Αν. Καθηγητής Στέλιος Τσαφαράκης
Περίληψη της εργασίας στα Ελληνικά: Στόχος της παρούσας εργασίας είναι η επίλυση διαφορικών εξισώσεων για την περιγραφή της συμπεριφοράς μοντέλων επίπεδης ελαστικότητας με χρήση μεθόδων υπολογιστικής νοημοσύνης συνδυάζοντας κατά αυτόν τον τρόπο το επιστημονικό πεδίο της υπολογιστικής μηχανικής με τις τεχνικές μηχανικής μάθησης. Η μέθοδος Physics Informed Neural Networks (PINNs) χρησιμοποιείται για την εύρεση των πεδίων μετατοπίσεων, παραμορφώσεων και τάσεων σε βασικά στοιχεία κατασκευών όπως η ράβδος και ο τετράγωνος δίσκος μέσω εξειδικευμένων πακέτων προγραμματισμού. Στην εργασία γίνεται αναφορά στην θεωρία ελαστικότητας και στη μοντελοποίηση των βασικών εξισώσεων που περιγράφουν τέτοια προβλήματα. Ορίζεται το θεωρητικό υπόβαθρο των PINN και αποσαφηνίζεται ο τρόπος λειτουργίας των κυριότερων συστατικών της μεθόδου όπως ο αλγόριθμος ανάστροφης διάδοσης σφάλματος ενώ ιδιαίτερη αναφορά γίνεται στην τεχνική της αυτόματης παραγώγισης. Στη συνέχεια υλοποιείται προγραμματιστικά η εφαρμογή και διερευνάται η πιστότητα της μέσα από παραδείγματα μηχανικής.
Η φιλοσοφία της τεχνικής PINNs πηγάζει από το δημοφιλές επιστημονικό πεδίο των Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) του οποίου αποτελεί μία τροποποίηση επί της ουσίας. Η ραγδαία ανάπτυξη των διαθέσιμων δεδομένων και των υπολογιστικών συστημάτων σε συνδυασμό με τη πρόσφατη πρόοδο στην τομέα της Μηχανικής Μάθησης έχει επεκτείνει τους ορίζοντες σε μία πληθώρα επιστημονικών αντικειμένων, συμπεριλαμβάνοντας, μεταξύ άλλων, αναγνώριση προτύπων, γονιδιωματική κ.α. Παρόλα αυτά, σε προβλήματα ανάλυσης μηχανικής το κόστος απόκτησης δεδομένων καθίσταται, πολλές φορές, απαγορευτικό με αποτέλεσμα τη λήψη αποφάσεων υπό καθεστώς αβεβαιότητας. Στην προκειμένη περίπτωση η έλλειψη άφθονων διαθέσιμων δεδομένων οδηγεί τις σύγχρονες τεχνικές μηχανικής μάθησης σε μη ικανοποιητικά επίπεδα ευστάθειας και αδυναμία σύγκλισης στη βέλτιστη λύση. Η ανάδυση των PINNs στο προσκήνιο προέκυψε λόγω της δυνατότητας εισαγωγής φυσικών νόμων (νόμων διατήρησης) που διέπουν ένα πρόβλημα μηχανικής και εκφράζονται με προσθήκη μη γραμμικών μερικών διαφορικών εξισώσεων στη συνάρτηση απώλειας του νευρωνικού δικτύου. Κατά αυτόν τον τρόπο επιτυγχάνεται αφενός μεν η διατήρηση των αποδεκτών λύσεων σε ένα διαχειρίσιμο επίπεδο διότι οι έξοδοι του δικτύου που δεν ικανοποιούν τους φυσικούς νόμους απορρίπτονται και αφετέρου ο αλγόριθμος μάθησης οδηγείται σε ταχύτερη σύγκλιση της λύσης εμφανίζοντας χαμηλό σφάλμα γενίκευσης ακόμη και με λίγα διαθέσιμα παραδείγματα εκπαίδευσης.
Ημερομηνία Εξέτασης
Ημέρα/Μήνας/Έτος: 16/09/2024
Ώρα: 10:00
Χώρος Εξέτασης
Αίθουσα: https://tuc-gr.zoom.us/j/98319017928?pwd=4V1ySvjGwPN9NtsvaJtLnRVQMkasgH.1
