1. Αρχική σελίδα
  2. Αναζήτηση

Χρήση νευρωνικών δικτύων για τον εντοπισμό αστοχιών σε αεροπορικές κατασκευές

Το τεκμήριο παρέχεται από τον φορέα :
Εθνικό Μετσόβιο Πολυτεχνείο   

Αποθετήριο :
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Χρήση νευρωνικών δικτύων για τον εντοπισμό αστοχιών σε αεροπορικές κατασκευές (EL)
Τρουλάκης, Εμμανουήλ (EL)
Troulakis, Emmanouil (EN)
Θεοτόκογλου, Ευστάθιος (EL)
ntua (EL)
Κοντού, Ευαγγελία (EL)
Μανωλάκος, Δημήτριος (EL)
bachelorThesis (EL)
2020-10-06
2021-02-03T09:28:21Z
Οι σχέσεις μεταξύ του ρυθμού ανάπτυξης ρωγμών κόπωσης (da/dN) και του εύρους συντελεστή έντασης (ΔK) δεν είναι πάντα γραμμικές ακόμη και στην περιοχή του Παρίσιου. Οι επιδράσεις της αναλογίας έντασης στον ρυθμό ανάπτυξης ρωγμών κόπωσης ποικίλλουν σε διαφορετικά υλικά. Ωστόσο, τα περισσότερα υπάρχοντα μοντέλα ανάπτυξης ρωγμών κόπωσης δεν μπορούν να χειριστούν αυτές τις μη γραμμικότητες κατάλληλα. Η μέθοδος μηχανικής εκμάθησης παρέχει μια ευέλικτη προσέγγιση στην μοντελοποίηση της ανάπτυξης ρωγμών κόπωσης λόγω της εξαιρετικής μη γραμμικής προσέγγισης και της πολυμεταβλητής μαθησιακής ικανότητας. Σε αυτή τη διατριβή, προτείνεται μια μέθοδος υπολογισμού αύξησης της ρωγμής από κόπωση που βασίζεται σε αλγόριθμους μηχανικής μάθησης (MLAs): Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ ή ΑΝΝ). Τα ANN συγκρίνονται μεταξύ τους και η μέθοδος που βασίζεται στο MLA επικυρώνεται χρησιμοποιώντας δεδομένα δοκιμών διαφορετικών υλικών. (EL)
The relationships between the fatigue crack growth rate (da/dN) and stress intensity factor range (∆K) are not always linear even in the Paris region. The stress ratio effects on fatigue crack growth rate are diverse in different materials. However, most existing fatigue crack growth models cannot handle these nonlinearities appropriately. The machine learning method provides a flexible approach to the modeling of fatigue crack growth because of its excellent nonlinear approximation and multivariable learning ability. In this thesis, a fatigue crack growth calculation method is proposed based on machine learning algorithms (MLAs): Artificial Neural Network (ANN). The MLA based method is validated using testing data of different materials. (EN)
Νευρωνικά δίκτυα (EL)
Αλγόριθμοι μηχανικής μάθησης πρόβλεψη ζωής κόπωσης (EL)
Ανάπτυξη ρωγμών κόπωσης (EL)
Αναλογία εντασης (EL)
Fatigue crack growth (EN)
Machine learning algorithms (EN)
Artificial neural network (EN)
Fatigue life prediction (EN)
Stress ratio (EN)
Ελληνική γλώσσα
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μηχανικής. Εργαστήριο Αντοχής Υλικών (EL)
Τομέας Μηχανικής, Κτήριο Αντοχής Υλικών (EL)
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
http://creativecommons.org/licenses/by-nc-nd/3.0/gr/
Εθνικό Μετσόβιο Πολυτεχνείο
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA
Κεντρική Βιβλιοθήκη Ε.Μ.Π.
Ιδρυματικό Αποθετήριο
Διπλωματικές Εργασίες



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.