Συντάχθηκε 24-06-2025 14:37
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 26/06/2025 14:00
Λήξη: 26/06/2025 15:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Πέμπτη, 26 Ιουνίου 2025, 14:00
https://tuc-gr.zoom.us/j/92046616203?pwd=mTAPRIZuNzf7CFkWFXY1TPz019AAaH.1
Ονοματεπώνυμο: ΛΙΑΣΚΟΣ ΝΙΚΟΛΑΟΣ
Θέμα: Εφαρμογή μοντέλων πρόβλεψης μειωμένης τάξης και ψηφιακών διδύμων για την πρόβλεψη μηχανικής απόκρισης κατασκευών
Title: Application of Reduced-Order Prediction Models and Digital Twins for the Prediction of Structural Mechanical Response
Εξεταστική Επιτροπή
- ΣΤΑΥΡΟΥΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Καθηγητής (επιβλέπων)
- ΑΛΕΥΡΑΣ ΠΑΝΑΓΙΩΤΗΣ, Επίκουρος Καθηγητής
- ΧΑΡΑΛΑΜΠΙΔΗ ΒΑΡΒΑΡΑ, Διδάκτωρ
Περίληψη
Η παρούσα διατριβή επικεντρώνεται στην ανάπτυξη και εφαρμογή υπολογιστικών μεθοδολογιών για την ακριβή και υπολογιστικά αποδοτική πρόγνωση της μηχανικής απόκρισης σύνθετων κατασκευών, με έμφαση σε ιστορικά μνημεία και λιθόκτιστες δομές. Η προσέγγιση βασίζεται στον συνδυασμό Μοντέλων Μειωμένης Τάξης (ROM) και της φιλοσοφίας των Ψηφιακών Διδύμων (Digital Twins), με στόχο την επίτευξη πρόβλεψης υψηλής ακρίβειας σε (σχεδόν) πραγματικό χρόνο. Αρχικά, παρουσιάζεται ένα ολοκληρωμένο πλαίσιο για την προεπεξεργασία και ανάλυση δεδομένων αισθητήρων και άλλων πηγών (ιστορικά δεδομένα, γεωμετρικές αποτυπώσεις). Ιδιαίτερη έμφαση δίνεται στην εξαγωγή χαρακτηριστικών από δυναμικές χρονοσειρές (σεισμικά σήματα, περιβαλλοντικοί κραδασμοί), με χρήση στατιστικών και συχνοτικών τεχνικών (όπως Welch, φασματική εντροπία, φασματικό κεντροειδές), με στόχο την αποτελεσματική ποσοτικοποίηση της δυναμικής συμπεριφοράς των δομών. Στη συνέχεια, εφαρμόζονται ROMs για τη μείωση του υπολογιστικού κόστους των πλήρων αριθμητικών μοντέλων (FEM), διατηρώντας επαρκή ακρίβεια στην πρόβλεψη κρίσιμων μεγεθών όπως μετακινήσεις και τάσεις. Χρησιμοποιούνται τεχνικές όπως προβολική μείωση και παραγοντοποίηση μέσω ιδιομορφών ή στιγμιοτύπων. Η ενσωμάτωση των Ψηφιακών Διδύμων επιτρέπει την αμφίδρομη σύνδεση φυσικής κατασκευής–υπολογιστικού μοντέλου. Μέσω αισθητήρων (π.χ. επιταχυνσιόμετρα, μετρητές παραμόρφωσης), τα μοντέλα επικαιροποιούνται δυναμικά, βελτιώνοντας την προγνωστική τους ικανότητα σε πραγματικό χρόνο. Η εφαρμογή της μεθοδολογίας παρουσιάζεται μέσω μοντέλων ARMAX, στα οποία τα εξαγόμενα χαρακτηριστικά εισάγονται ως εξωγενείς μεταβλητές. Τα αποτελέσματα αποδεικνύουν υψηλή ακρίβεια και γενίκευση στην πρόβλεψη απόκρισης σε νέα σεισμικά γεγονότα, ακόμη και με περιορισμένα δεδομένα εκπαίδευσης. Η προσεκτική επιλογή χαρακτηριστικών και η χρήση κατάλληλων τεχνικών επικύρωσης (όπως το κριτήριο MAC) ενισχύουν την αξιοπιστία των ROM, ακόμα και σε έντονα μη γραμμικές περιπτώσεις. Τέλος, η μεθοδολογία εφαρμόζεται σε πραγματικές κατασκευές, όπως τα Νεώρια Χανίων, επιβεβαιώνοντας ότι η προτεινόμενη προσέγγιση αποτελεί ένα ευέλικτο, αξιόπιστο και υπολογιστικά αποδοτικό εργαλείο για την παρακολούθηση, πρόγνωση, προληπτική συντήρηση και διαχείριση του κύκλου ζωής κρίσιμων υποδομών. Λέξεις-Κλειδιά: Reduced-Order Models (ROM), Digital Twins, προγνωστική μοντελοποίηση, μηχανική απόκριση κατασκευών, FEM, σεισμική απόκριση, ιστορικές κατασκευές, λιθοδομές, SHM, ανάλυση χρονοσειρών, ARMAX, εξαγωγή χαρακτηριστικών, Νεώρια Χανίων, επικύρωση μοντέλων.
Abstract
This dissertation focuses on the development and implementation of computational methodologies for accurate and efficient prediction of the mechanical response of complex structures, with emphasis on historical monuments and masonry constructions. The proposed approach combines Reduced-Order Models (ROMs) with the philosophy of Digital Twins (DTs), aiming to bridge the gap between high-fidelity simulations and real-time monitoring and decision-making needs. The framework begins with a comprehensive methodology for data preprocessing and analysis, using information from diverse sources such as sensors (e.g., accelerometers), historical records, and geometric surveys. Emphasis is placed on feature extraction from dynamic time series (e.g., seismic signals, environmental vibrations), using both statistical (mean, standard deviation, skewness, kurtosis) and spectral techniques (Welch analysis, spectral entropy, spectral centroid, bandwidth), enabling efficient quantification of the dynamic behavior under different loading conditions. Next, Reduced-Order Models are applied to significantly lower the computational cost of conventional full-order models (Finite Element Models – FEM), while maintaining adequate accuracy in predicting critical quantities such as displacements, stresses, and strains. Techniques such as projection-based model reduction, using modes or snapshots, are employed to construct compact reduced bases. The integration of Digital Twin architectures forms the cornerstone of the proposed approach, enabling dynamic, two-way communication between the physical structure and its ROM-based digital counterpart. Sensor data (from accelerometers, strain gauges, or other Structural Health Monitoring – SHM – systems) are used to continuously or periodically update the model, improving its predictive capabilities in near real-time. An application example using ARMAX time-series models is presented, where the extracted features serve as exogenous inputs. Results show high accuracy and generalization ability, even in the presence of limited training data. Proper data organization, targeted feature selection, and appropriate optimization and validation techniques (e.g., comparison with experimental data, MAC criterion) significantly enhance ROM reliability, even in nonlinear regimes. Finally, real-world scenarios such as the seismic analysis of historical masonry structures (e.g., the Neoria of Chania) demonstrate that the proposed framework is a powerful, flexible, and computationally efficient tool for monitoring, predictive maintenance, safety assessment, and life-cycle management of critical infrastructure. Keywords: Reduced-Order Models (ROM), Digital Twins, predictive modeling, structural mechanical response, nonlinear FEM analysis, seismic response, historical structures, masonry, SHM, sensor data processing, feature extraction, ARMAX, optimization, model validation, Neoria of Chania.
