![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/F4B3C490-8723-4147-8A2D-87AC816D0328 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.88831 | - |
| Γλώσσα | el | - |
| Μέγεθος | 67 σελίδες | el |
| Τίτλος | Πρόβλεψη μηχανικής απόκρισης δικτυώματος υπό μεταβλητή φόρτιση με χρήση νευρωνικών δικτύων | el |
| Τίτλος | Prediction of mechanical truss response under variable load using neural networks | en |
| Δημιουργός | Gkoutzioudis Georgios | en |
| Δημιουργός | Γκουτζιουδης Γεωργιος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Stavrakakis Georgios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Σταυρακακης Γεωργιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Stavroulakis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Σταυρουλακης Γεωργιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Zervakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ζερβακης Μιχαηλ | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περιγραφή | Διπλωματική Εργασία | el |
| Περιγραφή | Diploma Work | en |
| Περίληψη | Τα νευρωνικά δίκτυα έχουν αρχίσει και εφαρμόζονται ολοένα και περισσότερο στη δομική μηχανική τα τελευταία χρόνια. Λόγω του τεράστιου όγκου πληροφο- ριών που μπορούν να αναλύσουν και την δύναμη επεξεργασίας που έχουν και επίσης τα καλά αποτελέσματα τα οποία παράγουν ,έχουν αρχίσει να χρησιμο- ποιούνται όλο και περισσότερο στη δομική μηχανική. Ακόμα η δομική ανάλυση έχει προχωρήσει πολύ και έχει εκσυγχρονιστεί στο να γίνονται όλοι υπολογισμοί με μεγάλη ακρίβεια σε σύγχρονα υπολογιστικά συστηματα από εκεί που γινόταν με πολύ χρονοβόρους υπολογισμούς στο χέρι. Το πρόβλημα με τα προγράμματα δομικής ανάλυσης που χρησιμοποιούνται για την επίλυση προβλημάτων σχεδια- σμού είναι ότι είναι συχνά υπολογιστικά ακριβά. Η απόκτηση βέλτιστων λύσεων απαιτεί συνήθως πολλές επαναλήψεις που περιλαμβάνουν προγράμματα ανά- λυσης και βελτιστοποίησης. Αυτή η διαδικασία καθίσταται απαγορευτική λόγω του χρόνου που απαιτείται από τον υπολογιστή για επίτευξη βέλτιστου σχεδια- σμού. Τυχόν νέες τεχνικές που μειώνουν σημαντικά τον χρόνο του υπολογιστή που απαιτείται για την επίλυση προβλημάτων σχεδιασμού θα ήταν επωφελείς. Mια πολλά υποσχόμενη τεχνική είναι η προσομοίωση ενός αργού, ακριβού προ- γράμματος δομικής ανάλυσης με ένα γρήγορο, φθηνό νευρωνικό δίκτυο. Ο σκοπός αυτής της εργασίας είναι να προβλέψει τη μηχανική απόκριση ενός δικτυώματος ασκώντας μεταβλητές δυνάμεις με τη χρήση νευρωνικού δικτύου. Πρώτα απ 'όλα έπρεπε να δημιουργήσουμε μια μεγάλη βάση δεδομένων ανα- λύοντας ένα δικτύωμα με τη μέθοδο ανάλυσης πεπερασμένων στοιχείων (FEA) εφαρμόζοντας μεταβλητές δυνάμεις σε όλους τους κόμβους και προβλέποντας τα αποτελέσματα μετατόπισης. Χρησιμοποιούμε το FEA επειδή είναι μια αριθμη- τική μέθοδος που χρησιμοποιείται για την επίλυση προβλημάτων της μηχανικής και της μαθηματικής φυσικής και είναι χρήσιμο για προβλήματα με περίπλο- κες γεωμετρίες, φορτία και ιδιότητες υλικών όπου δεν μπορούν να ληφθούν αναλυτικές λύσεις όπως δικτυώματα. Αφού συγκρίναμε τα αποτελέσματα που αποκτήσαμε με άλλες βάσεις δεδομέ- νων και διάφορα προγράμματα, σχεδιάσαμε και εκπαιδεύσαμε ένα νευρωνικό δίκτυο ANN για να προσομοιώσουμε ένα πρόγραμμα δομικής ανάλυσης χρη- σιμοποιώντας τον αλγόριθμο οπίσθιας διάδοσης Levenberg-Marquardt για να προβλέψουμε τη μηχανική απόκριση ενός μοντέλου διτκυωμάτων . Αυτή η δια- δικασία περιλαμβάνει την επιλογή ζευγών εκπαίδευσης και τον καθορισμό του αριθμού των κόμβων στο κρυφό στρώμα. Η επιλογή των ζευγών εκπαίδευσης και ο καθορισμός του αριθμού των κόμβων στο κρυφό επίπεδο μπορούν να βρε- θούν από τις βάσεις δεδομένων που δημιουργήσαμε από το μέρος αριθμητικής προσομοίωσης αυτής της διπλωματικής. | el |
| Περίληψη | Neural networks have been applied to structural engineering in recent years. Due to the immense load of information they can analyze and process power they have and also the good results the produce they are used more and more in structural engineering. Structural analysis has also progressed a long way reaching new modernized ways making all calculations with great accuracy in modern computer systems opposing the way it was done with time consuming hand calculations. The problem with structural analysis programs used in solving design problems though is that they are often computationally expensive. Obtaining optimal solutions typically requires numerous iterations involving analysis and optimization programs. This process becomes prohibitive due to the amount of computer time required for convergence to an optimum design. Any new techniques significantly reducing the computer time required to solve design problems would be beneficial. One promising technique is to simulate a slow, expensive structural analysis program with a fast, inexpensive neural network. The purpose of this paper is to predict the mechanical response of a truss model by applying variable forces with the use of a Neural network. First of all we had to produce a large data base by analyzing a truss model with the finite element analysis (FEA) method by applying variable forces on all nodes and finding out the deformation results. We use FEA because it’s a numerical method for solving problems of engineering and mathematical physics and it is useful for problems with complicated geometries, loadings, and material properties where analytical solutions cannot be obtained like trusses. After comparing the results we obtained with other data bases and various programs, we designed and trained a ANN neural network to simulate a structural analysis program using the back-propagation algorithm Levenberg-Μarquardt to predict the mechanical response of a truss model. These procedure includes the selection of training pairs and determining the number of nodes on the hidden layer. The selection of training pairs and determining the number of nodes on the hidden layer can be found from the data bases we produced from the arithmetic simulation part of this paper. | en |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2021-04-12 | - |
| Ημερομηνία Δημοσίευσης | 2021 | - |
| Θεματική Κατηγορία | Finite element method | en |
| Θεματική Κατηγορία | Μέθοδος πεπερασμένων στοιχείων | el |
| Θεματική Κατηγορία | Δομική ανάλυση | el |
| Θεματική Κατηγορία | Neural networks | en |
| Θεματική Κατηγορία | Νευρωνικά δίκτυα | el |
| Θεματική Κατηγορία | Γέφυρες δικτυωμάτων | el |
| Θεματική Κατηγορία | Δικτυώματα | el |
| Βιβλιογραφική Αναφορά | Γεώργιος Γκουτζιούδης, "Πρόβλεψη μηχανικής απόκρισης δικτυώματος υπό μεταβλητή φόρτιση με χρήση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021 | el |
| Βιβλιογραφική Αναφορά | Georgios Gkoutzioudis, "Prediction of mechanical truss response under variable load using neural networks", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2021 | en |
Copyright © DIAS 2013
