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:20220705T081722Z
LAST-MODIFIED:20220705T081722Z
DTSTAMP:20260719T145720Z
UID:1784462240@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας
  Σταματέλου Ευθαλίας - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=5634&cHash=53
 352896a37be1e65067c056625b6c0e\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ευ
 θαλία Σταματέλου\n με θέμα\n Επίλυση
  Προβλημάτων Ταυτοποίησης Ρωγμών με 
 χρήση Τεχνητών Νευρωνικών Δικτύων\n 
 Finding Solutions to Crack Identific
 ation Problems using Artificial Neur
 al Networks \n  \n Εξεταστική Επιτρο
 πή\n Καθηγητής Σταυρακάκης Γεώργιος 
 (επιβλέπων)\n Καθηγητής Ζερβάκης Μιχ
 αήλ\n Καθηγητής Σταυρουλάκης Γεώργιο
 ς (Σχολή ΜΠΔ)\n \nΠερίληψη\n Στην πα
 ρούσα διπλωματική εργασία, παρουσιάζ
 εται η επίλυση ενός αντίστροφου προβ
 λήματος αναγνώρισης ρωγμών στη μηχαν
 ική με χρήση πολυστρωματικού νευρωνι
 κού δικτύου που εκπαιδεύεται με οπισ
 θόδρομη διάδοση σφάλματος (backpropa
 gation). Παραδείγματα θα είναι η εύρ
 εση ρωγμών με τη χρήση μετρήσεων στα
 τική παραμόρφωσης ή αρμονικής διέγερ
 σης. Πιο συγκεκριμένα, το εν λόγω πρ
 όβλημα αφορά στον προσδιορισμό της ύ
 παρξης και των χαρακτηριστικών μιας 
 κρυμμένης ρωγμής, η οποία βρίσκεται 
 μέσα σε μια ελαστική δομή. Για το σκ
 οπό αυτό χρησιμοποιούμε μετρήσεις τη
 ς δομικής απόκρισης ,εντός των διαθέ
 σιμων ορίων για\n συγκεκριμένες φορτ
 ώσεις. Το ευθύ πρόβλημα πρόκειται να
  επιλυθεί με μεθόδους υπολογιστικής 
 μηχανικής (μέθοδος συνοριακών στοιχε
 ίων) και το αντίστροφο μέσω εφαρμογή
 ς του νευρωνικού δικτύου.. Ως προς τ
 ην υλοποίηση του νευρωνικού δικτύου,
  πρόκειται να χρησιμοποιήσουμε Pytho
 n λόγω της καλής της απόδοσης αλλά κ
 αι της δυνατότητας που μας δίνει για
  βελτιστοποίηση των απαιτούμενων υπο
 λογιστικών διαδικασιών. Οι υπάρχουσε
 ς βιβλιοθήκες κρίνονται κατάλληλες γ
 ια οποιεσδήποτε γενικές εργασίες σε 
 σχέση με την επεξεργασία των δεδομέν
 ων ενώ επίσης μας παρέχεται επαρκής 
 κάλυψη σε περίπτωση που υπάρξει ανάγ
 κη ενσωμάτωσης του ML σε άλλο λογισμ
 ικό. Επιπλέον, χρησιμοποιήθηκαν Tens
 orFlow και Keras το οποία αποτελούν 
 βιβλιοθήκες ανοιχτού κώδικα για αριθ
 μητικούς υπολογισμούς υψηλής απόδοση
 ς που αναπτύχθηκαν από την ομάδα του
  Google Brain. Οι βιβλιοθήκες αυτές 
 μπορούν\n να εκπαιδεύσουν και να τρέ
 ξουν βαθιά πολυεπίπεδα νευρωνικά δίκ
 τυα και χρησιμοποιούνται ευρέως στον
  τομέα της έρευνας και της εφαρμογής
  της βαθιάς μάθησης. Η μέθοδος είναι
  γενική και επεκτείνεται για την επί
 λυση αντιστρόφων προβλημάτων και προ
 βλημάτων ταυτοποίησης παραμέτρων σε 
 οποιοδήποτε πρόβλημα μηχανικής του σ
 υνεχούς για το οποίο υπάρχουν αντίστ
 οιχα δεδομένα. Η υλοποίηση του νευρω
 νικού δικτύου θα παρουσιαστεί βήμα-β
 ήμα με τη μορφή εγχειριδίου και εν τ
 έλει πρόκειται να αναλυθούν τα αποτε
 λέσματα που ελήφθησαν.\n \nAbstract\
 n In the present dissertation, the s
 olution of an inverse problem of cra
 ck identification in engineering is 
 presented using a multilayer neural 
 network that is trained with backpro
 pagation. Examples will be cracks in
  static or harmonic excitation (ie a
  problem that lies in the field of e
 lastodynamics). More specifically, t
 his problem concerns the identificat
 ion of the existence and characteris
 tics of a hidden crack, which is loc
 ated within an elastic structure. Fo
 r this purpose we use structural res
 ponse measurements, within the avail
 able limits for specific loads. The 
 direct problem is to be solved by me
 thods of computer engineering (bound
 ary element method) and the inverse 
 problem is being solved through the 
 application of a backpropagation neu
 ral network. As for the implementati
 on of the neural network, we are goi
 ng to use Python due to its good per
 formance and the ability it gives us
  to optimize the required computing 
 processes. Existing libraries are co
 nsidered suitable for any general wo
 rk related to data processing and we
  are also provided with sufficient c
 overage in case there is a need to i
 ntegrate ML into other software. In 
 addition, TensorFlow and Keras are u
 sed, which are open source libraries
  for high performance\n numerical ca
 lculations developed by the Google B
 rain team. They can train and run de
 ep multilevel neural networks and ar
 e widely used in the field of resear
 ch and application of deep learning.
  The method is general and can be us
 ed for the solution of inverse and p
 arameter identification problems for
  every problem of mechanics of conti
 nuum for which similar data are avai
 lable. The implementation of the neu
 ral network will be presented step b
 y step in the form of a manual and f
 inally the results obtained will be 
 analyzed.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20220711T113000
DTEND:20220711T123000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR