| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.author | Ζιώβας, Κωνσταντίνος | |
| dc.contributor.author | Ziovas, Konstantinos | |
| dc.date.accessioned | 2021-12-03T09:30:25Z | |
| dc.date.available | 2021-12-03T09:30:25Z | |
| dc.date.issued | 2021-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13920 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1343 | |
| dc.description.abstract | Η παρούσα εργασία διερευνά την πιθανή εφαρμογή δύο νέων μοντέλων μηχανικής μάθησης, ένα μοντέλο Νευρωνικών Δικτύων (ΝΝ) και ένα μοντέλο Support Vector Machine (SVM), για τη γρήγορη πρόβλεψη δομικών χαρακτηριστικών διαφόρων υλικών, τα οποία στηρίζονται σε δεδομένα ανάστροφου χώρου (k-space). Για τη λήψη του σήματος ανάστροφου χώρου από τα συγκεκριμένα υλικά θα μπορούσαν να χρησιμοποιηθούν ποικίλες τεχνικές, ωστόσο, οι πιο πολλά υποσχόμενες μέθοδοι είναι: i) Μαγνητική Τομογραφία (NMRI) και ii) Μικροτομογραφία Ακτίνων Χ (X-Ray mCT). Για την εκπαίδευση των νέων μοντέλων, χρησιμοποιήθηκαν προσομοιωμένα δεδομένα ανάστροφου. Επιπλέον, μέσω της χρήσης εργαλείων της γλώσσας προγραμματισμού Python, αναπτύχθηκε μια αλυσίδα διεργασιών μηχανικής μάθησης που εμπεριέχει τα βήματα της προ-επεξεργασίας, εκπαίδευσης, επαλήθευσης, δοκιμής και ανάλυσης. Τα καινούργια αυτά μοντέλα, φαίνεται να προσφέρουν μια βελτιομένη απόδοση συγκριτικά με τις ήδη υπάρχουσες μεθόδους. Τέλος, με βάση τη γνώση από την παρούσα διατριβή, παρατίθενται προτάσεις για περαιτέρω βελτίωση και πιθανές νέες εφαρμογές των νέων τεχνικών που αναπτύχθηκαν. | el |
| dc.format.extent | 92 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάπτυξη μεθόδων μηχανικής μάθησης (SVMs και NNs) για την πρόβλεψη ιδιοτήτων υλικών με βάση την χρήση δεδομένων ανάστροφου χώρου | el |
| dc.title.alternative | Development of machine learning models (SVMs and NNs) for identification of structural properties of materials based on k-Space data | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis investigates the potential application of two new approaches, a Neural Network (NN) model and a Support Vector Machine (SVM) model, for fast estimation of structural properties of materials based on k-space data. The k-space signal for these materials could be acquired methods such as: i) Nuclear Magnetic Resonance Imaging (NMRI) and ii) X-Ray microtomography (X-Ray mCT). In order to train and test our models we used simulated k-space data produced with a numerical method previously developed for a Bayesian prediction technique. Furthermore, using advanced tools available with the Python programming language, we developed a machine learning (ML) pre-processing, training, validation, testing and analysis pipeline. The new models investigated here seem to offer an improved performance compared to existing methods. Finally, suggestions for further work are presented based on the knowledge acquired from this thesis project. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Επεξεργασία σήματος | el |
| dc.subject.keyword | k-space | el |
| dc.subject.keyword | SVM | el |
| dc.subject.keyword | Neural networks | el |
| dc.subject.keyword | Support vector machines | el |
| dc.subject.keyword | MRI | el |
| dc.subject.keyword | X-Ray | el |
| dc.subject.keyword | Size distribution | el |
| dc.subject.keyword | Ανάστροφος χώρος | el |
| dc.subject.keyword | Μαγνητική τομογραφία | el |
| dc.date.defense | 2021-10-20 | |
