![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/CF8FE7DE-26A3-4647-8B7B-F5A429055E22 | ||
| Έτος | 2022 | ||
| Τύπος | Διπλωματική Εργασία | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Ευθαλία Σταματέλου, "Επίλυση προβλημάτων ταυτοποίησης ρωγμών με χρήση τεχνητών νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022 https://doi.org/10.26233/heallink.tuc.92696 | ||
| Εμφανίζεται στις Συλλογές |
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 γιασυγκεκριμένες 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 μπορούννα 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.
Copyright © DIAS 2013
