Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Πρόβλεψη μηχανικής απόκρισης δικτυώματος υπό μεταβλητή φόρτιση με χρήση νευρωνικών δικτύων

Gkoutzioudis Georgios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/F4B3C490-8723-4147-8A2D-87AC816D0328-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.88831-
Γλώσσαel-
Μέγεθος67 σελίδεςel
ΤίτλοςΠρόβλεψη μηχανικής απόκρισης δικτυώματος υπό μεταβλητή φόρτιση με χρήση νευρωνικών δικτύωνel
ΤίτλοςPrediction of mechanical truss response under variable load using neural networksen
ΔημιουργόςGkoutzioudis Georgiosen
ΔημιουργόςΓκουτζιουδης Γεωργιοςel
Συντελεστής [Επιβλέπων Καθηγητής]Stavrakakis Georgiosen
Συντελεστής [Επιβλέπων Καθηγητής]Σταυρακακης Γεωργιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Stavroulakis Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Σταυρουλακης Γεωργιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Zervakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ζερβακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠεριγραφήΔιπλωματική Εργασίαel
ΠεριγραφήDiploma Worken
ΠερίληψηΤα 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
ΠερίληψηNeural 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
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2021-04-12-
Ημερομηνία Δημοσίευσης2021-
Θεματική ΚατηγορίαFinite element methoden
Θεματική ΚατηγορίαΜέθοδος πεπερασμένων στοιχείωνel
Θεματική ΚατηγορίαΔομική ανάλυσηel
Θεματική ΚατηγορίαNeural networksen
Θεματική ΚατηγορίαΝευρωνικά δίκτυαel
Θεματική ΚατηγορίαΓέφυρες δικτυωμάτωνel
Θεματική ΚατηγορίαΔικτυώματαel
Βιβλιογραφική ΑναφοράΓεώργιος Γκουτζιούδης, "Πρόβλεψη μηχανικής απόκρισης δικτυώματος υπό μεταβλητή φόρτιση με χρήση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021el
Βιβλιογραφική ΑναφοράGeorgios 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, 2021en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά