Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Προσέγγιση καταστατικού νόμου υλικού με χρήση τεχνικών kriging, σύγκριση με νευρωνικά δίκτυα και εκτίμηση απόδοσης σε αλγορίθμους αριθμητικής ομογενοποίησης

Nikandros Stavros-Konstantinos

Πλήρης Εγγραφή

---

Περίληψη

Ο συνδυασμός της Αριθμητικής Μηχανικής με τον ευρύτερο τομέα των Big Data, διερευνάται όλο και περισσότερο τα τελευταία χρόνια. Σκοπεύει στον προσδιορισμό της μηχανικής απόκρισης μεγάλων κατασκευών για τις οποίες υπάρχουν μεν πολλά πειραματικά ή αριθμητικά δεδομένα αλλά υπάρχει κάποιο κενό στη θεωρητική κατανόηση. Τέτοιες προσεγγίσεις χρησιμοποιούν πεπερασμένα στοιχεία και λεπτομερή μοντελοποίηση για κάθε δομικό στοιχείο της κατασκευής. Αυτό οδηγεί σε μεγάλα και περίπλοκα μοντέλα, στα οποία είναι δύσκολο να χρησιμοποιηθούν για ανάλυση κατασκευών. Ένας αλγόριθμος αριθμητικής ομογενοποίησης και πολυεπίπεδης ανάλυσης, σε συνδυασμό με πειραματικά δεδομένα υλικού που προέρχονται από μια γνωστή βάση δεδομένων, αποτελεί την λύση του προβλήματος. Αυτή η προσέγγιση περιέχει ένα βήμα στο οποίο υπολογίζεται ο καταστατικός νόμος των υλικών της κατασκευής, δηλαδή η σχέση της μηχανικής απόκρισης των υλικών. Στην παρούσα διπλωματική εργασία εξετάζεται η εύρεση μιας προσέγγισης των σχέσεων των υλικών και συγκεκριμένα της καμπύλης τάσεων-παραμορφώσεων σε μη γραμμικά τμήματα μιας τοιχοποιίας. Η διερεύνηση εντάσσεται και αποτελεί μέρος της προσπάθειας να χρησιμοποιηθούν πειραματικά δεδομένα μέσα σε έναν αλγόριθμο αριθμητικής ομογενοποίησης και πολυεπίπεδης ανάλυσης στην μηχανική: συγκεκριμένα, την αντικατάσταση του κλασσικού υπολογισμού του καταστατικού νόμου με την χρήση μεταμοντέλων. Τα μεταμοντέλα αποτελούν αριθμητικά εργαλεία τα οποία υπολογίζουν τον καταστατικό νόμο υλικών, χρησιμοποιώντας μια βάση δεδομένων. Τα μεταμοντέλα που χρησιμοποιήσαμε είναι ένα τεχνητό νευρωνικό δίκτυο και η τεχνική γεοχωρικής προσέγγισης γνωστή ως Kriging. Σκοπός είναι η σύγκριση της χρήσης και των αποτελεσμάτων των δύο μεταμοντέλων τα οποία χρησιμοποιούνται μέσα σε έναν αλγόριθμο αριθμητικής ομογενοποίησης, ώστε να επιλεγεί το βέλτιστο μεταμοντέλο όσον αφορά την πολυπλοκότητα και την απόδοση. Τα αποτελέσματα αυτής της έρευνας, δείχνουν ότι στο μεταμοντέλο Kriging, για λιγότερα δεδομένα εκπαίδευσης του μοντέλου από αυτό των Νευρωνικών Δικτύων, επιτυγχάνει καλύτερες προσεγγίσεις του καταστατικού νόμου υλικών. Αυτό αποτελεί ένα βήμα προς την περαιτέρω βελτιστοποίηση του αλγορίθμου αριθμητικής ομογενοποίησης.

Διαθέσιμα αρχεία

Υπηρεσίες