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:20240307T101250Z
LAST-MODIFIED:20240307T101250Z
DTSTAMP:20260612T012545Z
UID:1781216745@tuc.gr
SUMMARY:Παρουσίαση διπλωματικής εργασίας κ. 
 Χότζα Κέβιν, Σχολή ΜΠΔ
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=6820&cHash=5b
 4c8a65ef10e2760ae08f8cbce4c244\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡ
 ΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ\n Ονοματεπώνυμο
 :    Χότζα Κέβιν\n Αριθμός Μητρώου: 
    2012010002\n Θέμα:\n Τίτλος στα Ε
 λληνικά:    Εφαρμογές Τεχνητών Νευρω
 νικών Δικτύων για την \n προσέγγιση 
 ευθέων και αντιστρόφων προβλημάτων σ
 τη μηχανική μέσω της μεθόδου \n Phys
 ics Ιnformed Neural Networks (PINNs)
 \n \n Εξεταστική Επιτροπή:\n Επιβλέπ
 ων:        Σταυρουλάκης Γεώργιος, Κα
 θηγητής\n Πρώτο Μέλος:        Αλευρά
 ς Παναγιώτης, Επίκουρος Καθηγητής\n 
 Δεύτερο Μέλος:    Μπακατσάκη Μαρία, 
 ΕΔΙΠ\n Περίληψη:\n Στη παρούσα διπλω
 ματική εργασία εξετάζεται μια σχετικ
 ά πρόσφατη και ανερχόμενη τεχνική επ
 ίλυσης συνήθων και μερικών διαφορικώ
 ν εξισώσεων αξιοποιώντας Τεχνητά Νευ
 ρωνικά Δίκτυα ΤΝΔ (Artificial Neural
  Networks  ANN). Η υποκείμενη τεχνικ
 ή αποκαλείται Physics Informed Neura
 l Networks (PINNs), και ήταν απόρροι
 α της σύνθεσης ποικίλων επιστημονικώ
 ν κλάδων όπως η νευρολογία, η πληροφ
 ορική, η επιστήμη των υπολογιστών, τ
 α εφαρμοσμένα μαθηματικά, η εφαρμοσμ
 ένη φυσική και η υπολογιστική μηχανι
 κή. Συνολικά, αποτελεί μια αριθμητικ
 ή προσέγγιση για την επίλυση γραμμικ
 ών και μη γραμμικών προβλημάτων που 
 συναντώνται σε ποικίλα επιστημονικά 
 πεδία, όπως η μετάδοση θερμότητας, η
  ρευστομηχανική και η κλασσική μηχαν
 ική.\n Η εφαρμογή αριθμητικών τεχνικ
 ών σε προβλήματα μεγάλης κλίμακας, π
 ου απαιτούν υψηλή ακρίβεια, απαιτεί 
 την συνεχή βελτίωση της επιστήμης τω
 ν υπολογιστών, τόσο σε επίπεδο hardw
 are όσο και software. Αυτό αληθεύει 
 και για την μελετηθείσα προσέγγιση, 
 η οποία είχε απαρχές, τουλάχιστον σε
  θεωρητικό επίπεδο, πριν από περίπου
  δύο δεκαετίες, αλλά η επιτυχής υλοπ
 οίηση της με αξιοσημείωτα αποτελέσμα
 τα σε σύγχρονους χρονικούς ορίζοντες
  έλαβε χώρα μόλις πρόσφατα. \n Η παρ
 ούσα εργασία έχει ως κύριο σκοπό την
  ανάπτυξη αλγορίθμων σε Python, με α
 πώτερη πρόθεση την εφαρμογή της τεχν
 ικής PINNs σε προβλήματα δυναμικής μ
 ηχανικής. Συγκεκριμένα, εξετάστηκαν 
 προβλήματα όπως ο αρμονικός ταλαντωτ
 ής με απόσβεση και η κίνηση 2 μαζών 
 συνδεδεμένων με 3 ελατήρια. Καθώς επ
 ίσης έγινε προσπάθεια ανάπτυξης ενός
  αλγορίθμου για ένα αντίστροφο μοντέ
 λο PINNs το οποίο προβλέπει τη τιμή 
 μιας άγνωστης παραμέτρου σε ένα σύστ
 ημα αρμονικού ταλαντωτή, αυτή του συ
 ντελεστή απόσβεσης.\n Επιπλέον, παρο
 υσιάζεται αναλυτικά η αρχή λειτουργί
 ας των τεχνητών νευρωνικών δικτύων, 
 τόσο από θεωρητικής όσο και μαθηματι
 κής πλευράς. Τέλος, αναλύονται τμήμα
 τα του κώδικα που χρησιμοποιήθηκαν γ
 ια την επίλυση των προβλημάτων της ε
 ργασίας.\n \n Ημ/νία εξέτασης:    12
 /3/2024\n Ώρα:            11:00\n Χώ
 ρος εξέτασης:\n Αίθουσα:        Η πα
 ρουσίαση θα γίνει με τηλεδιάσκεψη:\n
  https://tuc-gr.zoom.us/j/9606087045
 7?pwd=SENiZVBqTitQQVRwckN2Um1VbHgyUT
 09\n Meeting ID: 960 6087 0457\n Pas
 sword: 979496\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240312T110000
DTEND:20240312T120000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR