Machine learning driven structural health monitoring
| dc.contributor.advisor | Rekatsinas, Christoforos | |
| dc.contributor.advisor | Ρεκατσίνας, Χριστόφορος | |
| dc.contributor.author | Papadopoulos, Dimitrios Iason | |
| dc.contributor.author | Παπαδόπουλος, Δημήτριος Ιάσων | |
| dc.date.accessioned | 2026-01-13T11:57:47Z | |
| dc.date.available | 2026-01-13T11:57:47Z | |
| dc.date.issued | 2025-12 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18757 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία στοχεύει στην κατασκευή μιας γενικευμένης μεθοδολογίας που αξιοποιεί γνώσεις μηχανικής για την πρόβλεψη βλαβών σε σύνθετα υλικά για αεροναυπηγικές κατασκευές. Ειδικότερα, εφαρμόζονται αλγόριθμοι μηχανικής μάθησης και βαθιάς μάθησης για την πρόβλεψη του είδους αστοχίας αλλά και για τη σοβαρότητά τους, υπό ρεαλιστικές συνθήκες και με λίγα δεδομένα. Η εργασία ξεκινά με την ανάλυση του θεωρητικού υπόβαθρου της παρακολούθησης της υγείας κατασκευών και με τους τρόπους που μπορεί να επωφεληθεί από τη μηχανική μάθηση και γίνεται αναφορά στις προσομοιώσεις που έγιναν σε πλάκες από σύνθετα υλικά καθώς και τα φυσικά φαινόμενα που τις διέπουν. Οι προσομοιώσεις αυτές γίνονται με σκοπό τη συλλογή δεδομένων και παρέχουν σήματα που διέρχονται μέσα από τις πλάκες που έχουν υποστεί ζημία, τα οποία σήματα είναι τα δεδομένα εκπαίδευσης των αλγορίθμων, αλλά και παρέχουν τις τιμές της ποσότητας και το είδος της βλάβης, οι οποίες είναι οι τιμές που προβλέπουν οι αλγόριθμοι. Στη συνέχεια αναλύονται οι μέθοδοι επεξεργασίας δεδομένων αλλά και οι τεχνικές εξαγωγής των χρησιμότερων χαρακτηριστικών που βασίζονται σε γνώσεις μηχανικής και αναδεικνύεται η συμβολή τους ιδιαιτέρως στις περιπτώσεις λίγων δεδομένων. Σε αυτό το σημείο, εφαρμόζονται συνήθεις αλγόριθμοι παλινδρόμησης, για την πρόβλεψη της σοβαρότητας της ζημιάς και ταξινόμησης για την πρόβλεψη του είδους της. Παράλληλα, έχουν προστεθεί παράγοντες που προσθέτουν δυσκολίες που συναντώνται στην πράξη, ώστε τα πειράματα να είναι αρκετά ρεαλιστικά. Τέλος, παρουσιάζονται τα αποτελέσματα των πειραμάτων μηχανικής μάθησης, τα οποία είναι γενικώς θετικά, ενώ πιο συγκεκριμένα τα αποτελέσματα των απλών αλγορίθμων υπερτερούν των πιο σύνθετων, αποδεικνύοντας ότι η εφαρμογή γνώσης ενισχύει την προβλεπτική ικανότητα. Η εργασία επιβεβαιώνει ότι η παρακολούθηση της υγείας σε συνδυασμό με τη μηχανική μάθηση προσφέρει χρήσιμες λύσεις, χωρίς την ανάγκη μεγάλου όγκου δεδομένων και σύνθετων αλγορίθμων. | el |
| dc.format.extent | 47 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Machine learning driven structural health monitoring | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The goal of this diploma thesis is to develop a general methodology that uses engineering knowledge to predict damage in composite materials for aeronautical structures. In more detail, machine learning and deep learning algorithms are implemented to classify the defect modes and predict their severity, under realistic limitations, with scarce and limited data. This study begins by analyzing theoretical aspects of structural health monitoring and how it can benefit from machine learning and also analyzes simulations conducted on composite plates and its engineering background. These simulations help in data acquisition and they provide signals that passed through the damaged plates, which are the training features and their corresponding damage severity values and defect mode classes, which are the target values. Then, the data handling and feature engineering methodologies, that are based on engineering knowledge, are discussed and highlight how beneficial they are especially with small datasets and the chosen algorithms are explained. At this point, common algorithms are implemented to tackle the damage severity prediction task as a regression problem and the defect mode prediction as a classification problem. Multiple external factors have been introduced, to add difficulties, which occur in practice and make the experiments realistic. Last the results of the machine learning experiments are displayed and they are generally positive but specifically the results of the simpler algorithms surpass the results of the complex ones, proving that knowledge application, enhances performance. This study confirms that combining machine learning with structural health monitoring can provide very insightful results about the structural condition of a plate, without the need of large datasets and complex methodologies. | el |
| dc.corporate.name | National Center of Scientific Research "Demokritos" | el |
| dc.contributor.master | Τεχνητή Νοημοσύνη - Artificial Intelligence | el |
| dc.subject.keyword | Structural health monitoring | el |
| dc.subject.keyword | Composite materials | el |
| dc.subject.keyword | Physics enhanced machine learning | el |
| dc.subject.keyword | Damage prediction | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Deep learning | el |
| dc.subject.keyword | Physics-informed feature engineering | el |
| dc.date.defense | 2025-12-15 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα