Προχωρημένες μέθοδοι υποκατάστατης μοντελοποίησης και μηχανικής μάθησης στην υπολογιστική στοχαστική μηχανική

Περίληψη

Η ποσοτικοποίηση της αβεβαιότητας στις παραμέτρους ενός μηχανικού συστήματος και οι μέθοδοι για τον προσδιορισμό της επιρροής της στην απόκριση αυτού αποτελούν ένα ουσιώδες κομμάτι της ανάλυσης και του σχεδιασμού των κατασκευών. Τις τελευταίες δεκαετίες αναπτύχθηκε η μέθοδος των στοχαστικών πεπερασμένων στοιχείων (ΣΠΣ), η οποία έχει ως στόχο τη μελέτη συστημάτων στα οποία ενυπάρχουν αβεβαιότητες στις παραμέτρους του συστήματος (πχ. ιδιότητες υλικών), στις συνοριακές συνθήκες, στη γεωμετρία και στη φόρτιση. Η κυριότερη και πιο διαδεδομένη μέθοδος στην κατηγορία των ΣΠΣ είναι η μέθοδος προσομοίωσης Monte Carlo. Στην πραγματικότητα, η μέθοδος αυτή είναι η μόνη ικανή να χειριστεί στοχαστικά προβλήματα στα οποία εμπλέκονται μη-γραμμικότητες, δυναμικές φορτίσεις, προβλήματα ευστάθειας, κλπ. Ωστόσο, για να επιτύχει υψηλή ακρίβεια απαιτεί ένα μεγάλο αριθμό τυχαίων προσομοιώσεων του υπολογιστικού μοντέλου για διάφορες τιμές των παραμέτρων. Ως συνέπεια, το υπολογιστικό κόστος αυτής της προσέγγισ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Parameter uncertainty quantification and methods to predict uncertainty propagation on the response of structural systems have become an essential part of the analysis and design of engineering applications. Over the past decades, the stochastic finite element method (SFEM) has been developed for the study of systems with inherent uncertainties in their parameters (i.e. material parameters), boundary conditions, geometry and loading conditions. The most eminent and widely applied method in the field of SFEM is the Monte Carlo simulation. In practice, this is the only method capable of handling stochastic problems with nonlinearities, dynamic loads, stability problems etc. However, in order to achieve high levels of accuracy, it requires a large number of repeated model evaluations for various realizations of the parameters. As a consequence, the computational cost associated with this method becomes unaffordable in detailed large-scale finite element models or nonlinear dynamic problem ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/47178
ND
47178
Εναλλακτικός τίτλος
Advanced surrogate modeling and machine learning methods in computational stochastic mechanics
Συγγραφέας
Καλογερής, Ιωάννης του Χαρίτων
Ημερομηνία
2020
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Πολιτικών Μηχανικών. Τομέας Δομοστατικής. Εργαστήριο Στατικής και Αντισεισμικών Ερευνών
Εξεταστική επιτροπή
Παπαδόπουλος Βησσαρίων
Παπαδρακάκης Μανόλης
Βαμβάτσικος Δημήτριος
Μπουντουβής Ανδρέας
Κουτσογιάννης Δημήτριος
Σπηλιόπουλος Κωνσταντίνος
Λαγαρός Νικόλαος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και Τεχνολογία
Επιστήμη Πολιτικού Μηχανικού
Λέξεις-κλειδιά
Στοχαστική ανάλυση; Υποκατάστατη μοντελοποίηση; Μηχανική μάθηση; Μέθοδος εξέλιξης της πυκνότητας πιθανότητας; Μέθοδος των φασματικών στοχαστικών πεπερασμένων στοιχείων; Χάρτες διάχυσης
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
6, xxxi, 195 σ., εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)