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:20250625T085837Z LAST-MODIFIED:20250625T085837Z DTSTAMP:20260811T210423Z UID:1786471463@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Καλλιόπης Νικολού - 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=7799&cHash=adf76b1bf5be217 0c288708739005f91\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Καλλιόπης Νικολ ού\n με θέμα\n Φυσικά Ενημερωμένα Νε υρωνικά Δίκτυα για την Έμφαση στην Ε πίλυση Αντίστροφων Προβλημάτων στην Ταλάντωση Ραβδών\n Physics Informed Neural Networks with Focus on the So lution of Inverse Problems Arising i n Vibrations of Rods\n Εξεταστική Επ ιτροπή\n Καθηγητής Μιχαήλ Ζερβάκης ( επιβλέπων) \n Καθηγητής Μιχαήλ Λαγου δάκης\n Καθηγητής Γεώργιος Σταυρουλά κης\n Περίληψη\n Τα Φυσικά Ενημερωμέ να Νευρωνικά Δίκτυα (PINNs) αποτελού ν μια επαναστατική προσέγγιση για τη ν επίλυση πολύπλοκων προβλημάτων που περιγράφονται από μερικές διαφορικέ ς εξισώσεις. Η παρούσα εργασία διερε υνά την εφαρμογή των PINNs τόσο σε ο ρθά ζητήματα όσο και σε αντίστροφα, στο πλαίσιο ενός συστήματος ράβδου π ου εμφανίζει χαρακτηριστικά ταλάντωσ ης. Στο ορθό πρόβλημα, επικεντρωνόμα στε στην προσέγγιση της μετατόπισης της ράβδου σε συνάρτηση με τον χρόνο και τη θέση της, δεδομένης της υποκ είμενης διαφορικής εξίσωσης, των αρχ ικών συνθηκών και των οριακών περιορ ισμών. Στο αντίστροφο ζήτημα, κύριος στόχος είναι η εύρεση άγνωστων παρα μέτρων, όπως οι ιδιότητες του υλικού . \n Τα PINNs εξαλείφουν την εξάρτησ η των παραδοσιακών αριθμητικών μεθόδ ων και αντιμετωπίζουν αποτελεσματικά τις προκλήσεις των πολυδιάστατων συ στημάτων. Εκμεταλλευόμενα την ικανότ ητά τους να ενσωματώνουν φυσικούς νό μους συνδυαστικά με πειραματικές παρ ατηρήσεις, τα PINNs πετυχαίνουν ακρι βείς λύσεις ενώ παράλληλα μειώνουν τ ην υπολογιστική πολυπλοκότητα. Η εργ ασία αυτή εξετάζει επίσης προσαρμοστ ικές τεχνικές βελτιστοποίησης για τη βελτίωση της ακρίβειας, ιδίως σε αν τίστροφα ζητήματα όπου οι αρχικές εκ τιμήσεις των παραμέτρων απέχουν σημα ντικά από τις πραγματικές τιμές. \n Τα αποτελέσματα αποδεικνύουν ότι τα PINNs μοντελοποιούν αποτελεσματικά τ η φυσική συμπεριφορά της ράβδου που εμφανίζει ταλαντώσεις και ανακτούν μ ε ακρίβεια τις παραμέτρους του συστή ματος, αναδεικνύοντας έτσι τη δυναμι κή τους. Αυτή η εργασία υπογραμμίζει την ευελιξία των PINNs, ανοίγοντας τον δρόμο για μελλοντική έρευνα στην εφαρμογή τους σε πιο πολύπλοκα συστ ήματα \n Αbstract\n Physics-Informed Neural Networks (PINNs) offer a tra nsformative approach to solving comp lex problems governed by partial dif ferential equations (PDEs). This the sis investigates the application of PINNs for both forward and inverse p roblems in the context of a vibratin g rod system. The forward problem fo cuses on approximating the rod’s dis placement over time, given the gover ning PDE, initial conditions, and bo undary constraints. The inverse prob lem centres on identifying unknown p arameters, such as material properti es, directly from observed data. \n PINNs eliminate traditional numerica l methods’ reliance on mesh generati on and efficiently handle challenges posed by high-dimensional systems, noisy data, and irregular geometries . By leveraging their ability to int egrate physical laws with observatio nal data, PINNs achieve accurate sol utions while reducing computational complexity. This thesis further expl ores adaptive optimization technique s to improve convergence and accurac y, particularly for inverse problems where initial parameter estimates a re far from their true values. \n Th e results demonstrate that PINNs eff ectively model the physical behaviou r of the vibrating rod and accuratel y recover system parameters, showcas ing their potential as a robust alte rnative to classical numerical metho ds. This work highlights the versati lity and adaptability of PINNs, pavi ng the way for future research into their application in more complex, r eal-world systems\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250630T140000 DTEND:20250630T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR