Έλεγχος της δομικής ακεραιότητας κατασκευών μέσω υπολογιστικών και πειραματικών μεθόδων ως γενική προσέγγιση στο πρόβλημα ανίχνευσης βλαβών

Περίληψη

Η ανίχνευση βλαβών ή ανωμαλιών σε κατασκευές μέσω παρακολούθησης της απόκρισής τους είναι ένας αναπτυσσόμενος κλάδος της μηχανικής γνωστός ως Structural Health Monitoring (SHM) ή αλλιώς Παρακολούθηση της Δομικής Ακεραιότητας. Η πλειονότητα των εφαρμογών SHM αφορά τη μέτρηση της απόκρισης μέσω ταλαντωτικών σημάτων και την επεξεργασία των δεδομένων για την ανίχνευση δομικών σφαλμάτων. Τα σημεία ενδιαφέροντος εντοπίζονται, πρώτον στη μέθοδο επεξεργασίας σημάτων και στο σύστημα αποφάσεων και δεύτερον στη διαθεσιμότητα των απαραίτητων δεδομένων. Στην προτεινόμενη διατριβή τα προβλήματα αυτά αντιμετωπίζονται με μια καινοτόμα μεθοδολογία που συνδυάζει ανίχνευση βλαβών μέσω μηχανικής μάθησης (Machine Learning-ML) και μοντέλα πεπερασμένων στοιχείων (Finite Element-FE) για την παραγωγή δεδομένων. Στο κομμάτι του ML χρησιμοποιούνται τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks-ANN) σε μορφή βαθιάς μάθησης (Deep Learning-DL). Τα μοντέλα DL μπορούν να επεξεργαστούν και να κατηγοριοποιήσουν ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Detecting damage or changes in structures by monitoring their response has emerged as a field in engineering known as Structural Health Monitoring (SHM). A majority of applications in SHM involve vibration measurements and processing of signals to detect changes in the dynamics related to damage or degradation. The primary points of attention are found, first in the data processing and decision system and second in the data availability for building reliable health prediction models. In the proposed thesis, both problems are tackled in an innovative framework by combining Machine Learning (ML) damage detection and Finite Element (FE) simulations for the necessary training data of ML models. Focus is given on the increasingly popular Artificial Neural Networks (ANN) applied in Deep Learning (DL) form. DL models are able to process and classify signals with little to no pre-processing making them ideal for vibration based SHM tasks. FE models on the other hand can provide arbitrary amoun ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/52079
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/52079
ND
52079
Εναλλακτικός τίτλος
Structural health monitoring through computational and experimental methods as a generic approach to the damage detection problem
Συγγραφέας
Σεβεντεκίδης, Παναγιώτης (Πατρώνυμο: Χρήστος)
Ημερομηνία
2022
Ίδρυμα
Πανεπιστήμιο Δυτικής Μακεδονίας. Σχολή Πολυτεχνική. Τμήμα Μηχανολόγων Μηχανικών
Εξεταστική επιτροπή
Γιαγκόπουλος Δημήτριος
Νατσιάβας Σωτήριος
Παπαδημητρίου Κωνσταντίνος
Φασόης Σπήλιος
Αντωνιάδης Ιωάννης
Σεφερλής Παναγιώτης
Σακελλαρίου Ιωάννης
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Μηχανολόγου Μηχανικού ➨ Μηχανολογική μηχανική
Λέξεις-κλειδιά
Δυναμική κατασκευών; Μηχανική μάθηση; Βαθιά μάθηση; Μοντέλα πεπερασμένων στοιχείων; Παρακολούθηση δομικής ακεραιότητας; Ανίχνευση βλαβών; Αναγνώριση βλαβών; Ταλαντωτικές Μετρήσεις; Ενημέρωση μοντέλων πεπερασμένων στοιχείων
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)