Διάγνωση βλάβης σε ενισχυμένα πάνελ σύνθετων υλικών με τη χρήση μηχανικής μάθησης

• Κύριος συγγραφέας: Ταμιωλάκης, Παύλος
• Άλλοι συγγραφείς: Tamiolakis, Pavlos
• Γλώσσα: Greek
• Έκδοση: 2022
• Θέματα: Ταξινόμηση; Μηχανική μάθηση; Σύνθετα υλικά; Classification; Machine learning; Composite materials

Η συγκεκριμένη διπλωματική εργασία μελετά και συγκρίνει μοντέλα Ταξινόμησης (Classification). Σκοπός είναι η εύρεση του αποδοτικότερου μοντέλου Ταξινόμησης, το οποίο θα πραγματοποιήσει προβλέψεις Ταξινόμησης, έχοντας την μεγαλύτερη ακρίβεια αποτελεσμάτων. Όλη η μελέτη πραγματοποιήθηκε με την χρήση του λογισμικού Matlab. Αρχικά, αναφέρονται οι διάφορες κατηγορίες της Μηχανικής Μάθησης (Machine Learning), όπως η Επιβλεπόμενη Μάθηση (Supervised Learning), η Μη Επιβλεπόμενη Μάθηση (Unsupervised Learning) και η Μερικώς Επιβλεπόμενη Μάθηση (Semi-supervised Learning), ενώ παρουσιάζονται τα μοντέλα Ταξινόμησης (Classification) με τα οποία θα πραγματοποιηθεί η μελέτη. Έπειτα, πραγματοποιείται βιβλιογραφική ανασκόπηση σε μοντέλα όπως τα Δένδρα Απόφασης (Decision Trees), οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines - SVM), τα μοντέλα κ-Πλησιέστερου Γείτονα (k-Nearest Neighbors) τα Σύνολα Ταξινομητών (Ensemble Classifiers), τα Νευρωνικά Δίκτυα (Neural Networks) και άλλα, ενώ παράλληλα, τονίζονται τα πλεονεκτήματα και τα μειονεκτήματα του κάθε μοντέλου. Η παρουσία της μελέτης ξεκινά με τη δημιουργία τριών εκδοχών με δεδομένα που παράγονται από μοντέλο πεπερασμένων στοιχείων ενός ενισχυμένου πάνελ σύνθετων υλικών, το οποίο υποβάλλεται υπό φορτία μονοαξονικής θλίψης. Το πρώτο στάδιο της μελέτης που πραγματοποιήθηκε ήταν να αποφανθεί ποια εκδοχή δεδομένων είναι η καλύτερη ώστε να χρησιμοποιηθεί για την εκπαίδευση των μοντέλων Ταξινόμησης. Στη συνέχεια, με βάση την εκδοχή δεδομένων που επιλέχθηκε, εκπαιδεύτηκαν όλα τα μοντέλα Ταξινόμησης που διαθέτει το λογισμικό Matlab. Έπειτα, έγινε σύγκριση με βάση συγκεκριμένων κριτηρίων, τα οποία αφορούν την ακρίβεια στις προβλέψεις κατηγοριών, αλλά και το ποσοστό σωστών προβλέψεων της κάθε κατηγορίας. Με αυτόν τον τρόπο επιλέχθηκε το πιο αποδοτικό μοντέλο, το οποίο είναι ικανό να αποδώσει τις πιο ακριβείς προβλέψεις. Τέλος, χρησιμοποιώντας το μοντέλο αυτό, πραγματοποιήθηκαν 1172 προβλέψεις με τιμές που λήφθηκαν από το πάνελ του πειράματος. Τα δεδομένα λήφθηκαν σε δύο ομάδες, μία ομάδα εμπεριείχε 485 τιμές και η άλλη 687 τιμές, ούτως ώστε να επιβεβαιωθεί η εγκυρότητα του μοντέλου αυτού. Έτσι, είναι δυνατόν να αποφανθεί αν το εκπαιδευμένο μοντέλο μπορεί επιτυχώς να εκτιμήσει την ύπαρξη ή μη βλάβης στο πάνελ.