Prediction of mechanical truss response under variable load using neural networks

Gkoutzioudis Georgios

URI	http://purl.tuc.gr/dl/dias/F4B3C490-8723-4147-8A2D-87AC816D0328	-
Identifier	https://doi.org/10.26233/heallink.tuc.88831	-
Language	el	-
Extent	67 σελίδες	el
Title	Πρόβλεψη μηχανικής απόκρισης δικτυώματος υπό μεταβλητή φόρτιση με χρήση νευρωνικών δικτύων	el
Title	Prediction of mechanical truss response under variable load using neural networks	en
Creator	Gkoutzioudis Georgios	en
Creator	Γκουτζιουδης Γεωργιος	el
Contributor [Thesis Supervisor]	Stavrakakis Georgios	en
Contributor [Thesis Supervisor]	Σταυρακακης Γεωργιος	el
Contributor [Committee Member]	Stavroulakis Georgios	en
Contributor [Committee Member]	Σταυρουλακης Γεωργιος	el
Contributor [Committee Member]	Zervakis Michail	en
Contributor [Committee Member]	Ζερβακης Μιχαηλ	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Technical University of Crete::School of Electrical and Computer Engineering	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Description	Διπλωματική Εργασία	el
Description	Diploma Work	en
Content Summary	Τα 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
Content Summary	Neural 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
Type of Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by/4.0/	en
Date of Item	2021-04-12	-
Date of Publication	2021	-
Subject	Finite element method	en
Subject	Μέθοδος πεπερασμένων στοιχείων	el
Subject	Δομική ανάλυση	el
Subject	Neural networks	en
Subject	Νευρωνικά δίκτυα	el
Subject	Γέφυρες δικτυωμάτων	el
Subject	Δικτυώματα	el
Bibliographic Citation	Γεώργιος Γκουτζιούδης, "Πρόβλεψη μηχανικής απόκρισης δικτυώματος υπό μεταβλητή φόρτιση με χρήση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021	el
Bibliographic Citation	Georgios 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, 2021	en

Search

Browse

My Space

Prediction of mechanical truss response under variable load using neural networks

Gkoutzioudis Georgios

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: