BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20220705T081722Z LAST-MODIFIED:20220705T081722Z DTSTAMP:20260720T043118Z UID:1784511078@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Σταματέλου Ευθαλίας - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=5634&cHash=aab91a68674d555 3478dd820cf904089\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ευθαλία Σταματέ λου\n με θέμα\n Επίλυση Προβλημάτων Ταυτοποίησης Ρωγμών με χρήση Τεχνητώ ν Νευρωνικών Δικτύων\n Finding Solut ions to Crack Identification Problem s using Artificial Neural Networks \ n  \n Εξεταστική Επιτροπή\n Καθηγητή ς Σταυρακάκης Γεώργιος (επιβλέπων)\n Καθηγητής Ζερβάκης Μιχαήλ\n Καθηγητ ής Σταυρουλάκης Γεώργιος (Σχολή ΜΠΔ) \n \nΠερίληψη\n Στην παρούσα διπλωμα τική εργασία, παρουσιάζεται η επίλυσ η ενός αντίστροφου προβλήματος αναγν ώρισης ρωγμών στη μηχανική με χρήση πολυστρωματικού νευρωνικού δικτύου π ου εκπαιδεύεται με οπισθόδρομη διάδο ση σφάλματος (backpropagation). Παρα δείγματα θα είναι η εύρεση ρωγμών με τη χρήση μετρήσεων στατική παραμόρφ ωσης ή αρμονικής διέγερσης. Πιο συγκ εκριμένα, το εν λόγω πρόβλημα αφορά στον προσδιορισμό της ύπαρξης και τω ν χαρακτηριστικών μιας κρυμμένης ρωγ μής, η οποία βρίσκεται μέσα σε μια ε λαστική δομή. Για το σκοπό αυτό χρησ ιμοποιούμε μετρήσεις της δομικής από κρισης ,εντός των διαθέσιμων ορίων γ ια\n συγκεκριμένες φορτώσεις. Το ευθ ύ πρόβλημα πρόκειται να επιλυθεί με μεθόδους υπολογιστικής μηχανικής (μέ θοδος συνοριακών στοιχείων) και το α ντίστροφο μέσω εφαρμογής του νευρωνι κού δικτύου.. Ως προς την υλοποίηση του νευρωνικού δικτύου, πρόκειται να χρησιμοποιήσουμε Python λόγω της κα λής της απόδοσης αλλά και της δυνατό τητας που μας δίνει για βελτιστοποίη ση των απαιτούμενων υπολογιστικών δι αδικασιών. Οι υπάρχουσες βιβλιοθήκες κρίνονται κατάλληλες για οποιεσδήπο τε γενικές εργασίες σε σχέση με την επεξεργασία των δεδομένων ενώ επίσης μας παρέχεται επαρκής κάλυψη σε περ ίπτωση που υπάρξει ανάγκη ενσωμάτωση ς του ML σε άλλο λογισμικό. Επιπλέον , χρησιμοποιήθηκαν TensorFlow και Ke ras το οποία αποτελούν βιβλιοθήκες α νοιχτού κώδικα για αριθμητικούς υπολ ογισμούς υψηλής απόδοσης που αναπτύχ θηκαν από την ομάδα του Google Brain . Οι βιβλιοθήκες αυτές μπορούν\n να εκπαιδεύσουν και να τρέξουν βαθιά πο λυεπίπεδα νευρωνικά δίκτυα και χρησι μοποιούνται ευρέως στον τομέα της έρ ευνας και της εφαρμογής της βαθιάς μ άθησης. Η μέθοδος είναι γενική και ε πεκτείνεται για την επίλυση αντιστρό φων προβλημάτων και προβλημάτων ταυτ οποίησης παραμέτρων σε οποιοδήποτε π ρόβλημα μηχανικής του συνεχούς για τ ο οποίο υπάρχουν αντίστοιχα δεδομένα . Η υλοποίηση του νευρωνικού δικτύου θα παρουσιαστεί βήμα-βήμα με τη μορ φή εγχειριδίου και εν τέλει πρόκειτα ι να αναλυθούν τα αποτελέσματα που ε λήφθησαν.\n \nAbstract\n In the pres ent dissertation, the solution of an inverse problem of crack identifica tion in engineering is presented usi ng a multilayer neural network that is trained with backpropagation. Exa mples will be cracks in static or ha rmonic excitation (ie a problem that lies in the field of elastodynamics ). More specifically, this problem c oncerns the identification of the ex istence and characteristics of a hid den crack, which is located within a n elastic structure. For this purpos e we use structural response measure ments, within the available limits f or specific loads. The direct proble m is to be solved by methods of comp uter engineering (boundary element m ethod) and the inverse problem is be ing solved through the application o f a backpropagation neural network. As for the implementation of the neu ral network, we are going to use Pyt hon due to its good performance and the ability it gives us to optimize the required computing processes. Ex isting libraries are considered suit able for any general work related to data processing and we are also pro vided with sufficient coverage in ca se there is a need to integrate ML i nto other software. In addition, Ten sorFlow and Keras are used, which ar e open source libraries for high per formance\n numerical calculations de veloped by the Google Brain team. Th ey can train and run deep multilevel neural networks and are widely used in the field of research and applic ation of deep learning. The method i s general and can be used for the so lution of inverse and parameter iden tification problems for every proble m of mechanics of continuum for whic h similar data are available. The im plementation of the neural network w ill be presented step by step in the form of a manual and finally the re sults obtained will be analyzed.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20220711T113000 DTEND:20220711T123000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR