Έμβλημα Πολυτεχνείου Κρήτης με τίτλο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
Η Σχολή ΗΜΜΥ στο Facebook  Η Σχολή ΗΜΜΥ στο Youtube

Κατάλογος Εκδηλώσεων

15
Φεβ

Παρουσίαση Διπλωματικής Εργασίας κ. Ζήση  Αρέστη – Χαρταμπίλα - Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας  
Τοποθεσία
Ώρα15/02/2024 14:00 - 15:00

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ζήση  Αρέστη – Χαρταμπίλα

με θέμα

Υπολογισμός Καταστάσεων Ισορροπίας Δοκού σε Κάμψη υπό Μονόπλευρες Συνθήκες Θλίψης με τη χρήση P.I.N.N. 
Equilibrium Equations of a Beam in Bending under Unilateral Pressure Conditions using P.I.N.N. (Physics Informed Neural Networks)

Εξεταστική Επιτροπή

Καθηγητής Γεώργιος Καρυστινός (επιβλέπων)
Καθηγητής Κωνσταντίνος Μπάλας
Καθηγητής Γεώργιος Ε. Σταυρουλάκης (ΠΚ, Σχολή ΜΠΔ)

Περίληψη

Τα τεχνητά νευρωνικά δίκτυα έχουν χρησιμοποιηθεί για την επίλυση προβλημάτων σε διάφορους εφαρμοσμένους τομείς. Πρόσφατα έχει αναδυθεί μια πολύ ελπιδοφόρα εφαρμογή στην επιστημονική μηχανική μάθηση με την επίλυση μερικών διαφορικών εξισώσεων χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα, μια προσέγγιση που αναφέρεται συνήθως ως  “ physics-informed  neural networks “  (PINNs). Οι διαφορικές εξισώσεις παίζουν ένα κρίσιμο ρόλο σε πολλούς τομείς της μηχανικής και της φυσικής , όπως η δυναμική των ρευστών και η δομική μηχανική. Οι μέθοδοι μοντελοποίησης με πεπερασμένα στοιχεία (Finite Element Modeling - FEM) είναι οι τυπικοί επιλυτές που χρησιμοποιούνται ευρέως στη βιομηχανία . Σε αυτή την εργασία επιχειρούμε να λύσουμε μερικά προβλήματα δομικής μηχανικής χρησιμοποιώντας της μέθοδο των  PINNs αξιολογούμε τα αποτελέσματα με τη βοήθεια αναλυτικών μεθόδων.

Abstract 

Artificial neural networks have been used to solve problems in varied applied domains . Recently another very promising application has emerged in the scientific machine learning the solution of partial differential equations (PDEs) using artificial neural networks an approach normally referred to as physics-informed neural networks (PINNs). PDEs play a crucial role in many fields of engineering and fundamental science like fluid mechanics and structural engineering. Finite elements modeling (FEM) methods are the standard solvers employed ubiquitously in the industry. In this paper we try to solve a couple of structural engineering problems using PINNs and evaluate the results with analytical methods.

Meeting ID: 986 9026 7154
Password: 446354

© Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών 2014
Πολυτεχνείο Κρήτης