| dc.description.abstract | Η παρούσα διπλωματική εργασία έχει ως αντικείμενο έρευνας τον έλεγχο της δομικής ακεραιότητας μίας δικτυωτής κατασκευής μέσω της κατάστρωσης μοντέλων πεπερασμένων στοιχείων για δημιουργία ταλαντωτικών δεδομένων απόκρισης και την εκπαίδευση ενός συνελικτικού νευρωνικού δικτύου βαθιάς μάθησης, ώστε να αναγνωρίζει και να ταξινομεί περιπτώσεις ζημιάς. Ακόμη, προσομοιώνεται το σφάλμα γενίκευσης σε πειραματικά δεδομένα και αξιολογείται η επίδραση του σφάλματος στην αξιοπιστία.
Στο θεωρητικό κομμάτι, γίνεται λόγος για τον κλάδο της Δομικής Ακεραιότητας Κατασκευών (Structural Health Monitoring) καθώς και για την μέθοδο των Πεπερασμένων Στοιχείων (FEM), που χρησιμοποιείται για την προσομοίωση των μοντέλων. Έπειτα, γίνεται αναφορά στη μηχανική μάθηση και τα νευρωνικά δίκτυα αλλά και πως αυτά εφαρμόζονται ως σύγχρονες μέθοδοι για τον έλεγχο της δομικής ακεραιότητας στις κατασκευές.
Ακολουθεί η περιγραφή του πειράματος, όπου ένα συμμετρικό αριθμητικό μοντέλο δικτυωτής κατασκευής προσομοιώνεται στην υγιή κατάστασή του και σε 12 περιπτώσεις ζημιάς από δύο κατηγορίες και προκύπτουν τα αντίστοιχα δεδομένα αποκρίσεων για κάθε μοντέλο. Τα δεδομένα αυτά οργανώνονται σε διαφορετικά σετ ανάλογα με την κατηγορία ζημιάς και χρησιμοποιούνται για την εκπαίδευση ενός συνελικτικού νευρωνικού δικτύου βαθιάς μάθησης, το οποίο μαθαίνει να αναγνωρίζει και να ταξινομεί της ζημιές.
Για τον έλεγχο της αξιοπιστίας του ταξινομητή λαμβάνονται δεδομένα από ένα ασύμμετρο αριθμητικό μοντέλο που προσομοιώνεται και περιγράφει ικανοποιητικά το πειραματικό μοντέλο της δικτυωτής κατασκευής. Τα δεδομένα εισέρχονται στο εκπαιδευμένο νευρωνικό δίκτυο και προκύπτουν τα αντίστοιχα αποτελέσματα για την αξιοπιστία του μοντέλου από το μέσο σφάλμα που προκύπτει, από τα οποία εξάγονται συμπεράσματα στην αντίστοιχη ενότητα. | en_US |
