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:20250625T085837Z LAST-MODIFIED:20250625T085837Z DTSTAMP:20260515T142951Z UID:1778844591@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Καλλιόπης Νικολού - 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=7799&cHash=5e 7889714869f42cae2026b3d3fe77c5\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κα λλιόπης Νικολού\n με θέμα\n Φυσικά Ε νημερωμένα Νευρωνικά Δίκτυα για την Έμφαση στην Επίλυση Αντίστροφων Προβ λημάτων στην Ταλάντωση Ραβδών\n Phys ics Informed Neural Networks with Fo cus on the Solution of Inverse Probl ems Arising in Vibrations of Rods\n Εξεταστική Επιτροπή\n Καθηγητής Μιχα ήλ Ζερβάκης (επιβλέπων) \n Καθηγητής Μιχαήλ Λαγουδάκης\n Καθηγητής Γεώργ ιος Σταυρουλάκης\n Περίληψη\n Τα Φυσ ικά Ενημερωμένα Νευρωνικά Δίκτυα (PI NNs) αποτελούν μια επαναστατική προσ έγγιση για την επίλυση πολύπλοκων πρ οβλημάτων που περιγράφονται από μερι κές διαφορικές εξισώσεις. Η παρούσα εργασία διερευνά την εφαρμογή των PI NNs τόσο σε ορθά ζητήματα όσο και σε αντίστροφα, στο πλαίσιο ενός συστήμ ατος ράβδου που εμφανίζει χαρακτηρισ τικά ταλάντωσης. Στο ορθό πρόβλημα, επικεντρωνόμαστε στην προσέγγιση της μετατόπισης της ράβδου σε συνάρτηση με τον χρόνο και τη θέση της, δεδομ ένης της υποκείμενης διαφορικής εξίσ ωσης, των αρχικών συνθηκών και των ο ριακών περιορισμών. Στο αντίστροφο ζ ήτημα, κύριος στόχος είναι η εύρεση άγνωστων παραμέτρων, όπως οι ιδιότητ ες του υλικού. \n Τα PINNs εξαλείφου ν την εξάρτηση των παραδοσιακών αριθ μητικών μεθόδων και αντιμετωπίζουν α ποτελεσματικά τις προκλήσεις των πολ υδιάστατων συστημάτων. Εκμεταλλευόμε να την ικανότητά τους να ενσωματώνου ν φυσικούς νόμους συνδυαστικά με πει ραματικές παρατηρήσεις, τα PINNs πετ υχαίνουν ακριβείς λύσεις ενώ παράλλη λα μειώνουν την υπολογιστική πολυπλο κότητα. Η εργασία αυτή εξετάζει επίσ ης προσαρμοστικές τεχνικές βελτιστοπ οίησης για τη βελτίωση της ακρίβειας , ιδίως σε αντίστροφα ζητήματα όπου οι αρχικές εκτιμήσεις των παραμέτρων απέχουν σημαντικά από τις πραγματικ ές τιμές. \n Τα αποτελέσματα αποδεικ νύουν ότι τα PINNs μοντελοποιούν απο τελεσματικά τη φυσική συμπεριφορά τη ς ράβδου που εμφανίζει ταλαντώσεις κ αι ανακτούν με ακρίβεια τις παραμέτρ ους του συστήματος, αναδεικνύοντας έ τσι τη δυναμική τους. Αυτή η εργασία υπογραμμίζει την ευελιξία των PINNs , ανοίγοντας τον δρόμο για μελλοντικ ή έρευνα στην εφαρμογή τους σε πιο π ολύπλοκα συστήματα \n Αbstract\n Phy sics-Informed Neural Networks (PINNs ) offer a transformative approach to solving complex problems governed b y partial differential equations (PD Es). This thesis investigates the ap plication of PINNs for both forward and inverse problems in the context of a vibrating rod system. The forwa rd problem focuses on approximating the rod’s displacement over time, gi ven the governing PDE, initial condi tions, and boundary constraints. The inverse problem centres on identify ing unknown parameters, such as mate rial properties, directly from obser ved data. \n PINNs eliminate traditi onal numerical methods’ reliance on mesh generation and efficiently hand le challenges posed by high-dimensio nal systems, noisy data, and irregul ar geometries. By leveraging their a bility to integrate physical laws wi th observational data, PINNs achieve accurate solutions while reducing c omputational complexity. This thesis further explores adaptive optimizat ion techniques to improve convergenc e and accuracy, particularly for inv erse problems where initial paramete r estimates are far from their true values. \n The results demonstrate t hat PINNs effectively model the phys ical behaviour of the vibrating rod and accurately recover system parame ters, showcasing their potential as a robust alternative to classical nu merical methods. This work highlight s the versatility and adaptability o f PINNs, paving the way for future r esearch into their application in mo re complex, real-world systems\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250630T140000 DTEND:20250630T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR