Recurrent neural network based model discovery of nonlinear viscoelasticity
Doğrusal olmayan viskoelastisite için tekrarlayan sinir ağı tabanlı model keşfi
- Tez No: 902333
- Danışmanlar: Assoc. Prof. Dr. SERDAR GÖKTEPE
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı Malzemeleri Bilim Dalı
- Sayfa Sayısı: 103
Özet
Bu tez, doğrusal olmayan viskoelastisite bağlamında otomatik model keşfi için yenilikçi bir çerçeve sunmaktadır. Çerçeve, gerekli fiziksel kısıtlamaları doğal olarak karşılayan bir gerilme güncelleme prosedürünü temsil eden bir tekrarlayan sinir ağı (RNN) modelinden yararlanmaktadır. Model, uygulanan deformasyonların ve sonuçta ortaya çıkan gerilmelerin zaman serilerini içeren veriler üzerinde eğitilmiştir. Parametre tanımlama için gradyan tabanlı optimizasyon kullanılmakta, gradyanlar bir tekrarlayan türev güncelleme algoritması aracılığıyla analitik olarak değerlendirilmektedir. Kayıp fonksiyonu iki terimden oluşmaktadır: Biri tahminlerin doğruluğunu ölçmekte, diğeri ise seyreklik sağlamaktadır. Seyreklik terimi, bazı öğrenilebilir parametrelerin sıfır olmasını teşvik ederek, az sayıda anlamlı parametreye sahip yorumlanabilir modellerin elde edilmesini sağlar. Çerçevenin, sentetik olarak üretilen veriler ve VHB 4910, HNBR50 polimerlerine ait deneysel veri kümeleri üzerinde yorumlanabilir seyrek modeller üretebilme yeteneğini gösterilmektedir. Çerçevenin daha fazla doğrulama ve uygulanabilirliği, HNBR50 polimerine ait deneysel veri kümesinden öğrenilen model kullanılarak yapılan bir sonlu eleman simülasyonu ile gösterilmektedir.
Özet (Çeviri)
This thesis introduces a novel framework for automated model discovery in the context of nonlinear viscoelasticity. The framework leverages a recurrent neural network (RNN) model representing the stress update procedure that inherently satisfies necessary physical constraints. We trained the model on data comprising temporal sequences of applied deformation and resulting stresses. We use gradient-based optimization for the parameter identification, with gradients evaluated analytically via a recurrent derivative update algorithm. The loss function comprises two terms: one quantifying the accuracy of the predictions and another inducing sparsity. The sparsity term encourages some learnable parameters to be zero, resulting in interpretable models with a few meaningful parameters. We demonstrate the ability of the framework to produce interpretable sparse models on synthetically generated data and experimental datasets of VHB 4910 and HNBR50 polymers. Further validation and applicability of the framework are illustrated through a finite element simulation using the model learned from the experimental dataset of HNBR50 polymer.
Benzer Tezler
- Sistem tanılama makine öğrenmesi ve derin öğrenme modelleri ile güneş radyasyonu tahmini
Solar radiation forecasting using system identification machine learning and deep learning models
GÖKSEL KADER
Yüksek Lisans
Türkçe
2022
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. ÖNDER GÜLER
- Hierarchical deep bidirectional self-attention model for recommendation
Hiyerarşik çift yönlü öz dikkat tabanlı derin öğrenme tavsiye modeli
İREM İŞLEK
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ
- Characterization and modeling of negative-biastemperature instability in 40 NM CMOS technologythrough long short-term memory (LSTM) networks
Uzun kısa-süreli bellek ağlarıyla (LSTM)40 NM CMOS teknolojisinde negatif-kutuplamasıcaklık kararsızlığının karakterizasyonu ve modellenmesi
FİKRET BAŞAR GENCER
Yüksek Lisans
İngilizce
2023
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA BERKE YELTEN
- Derin öğrenme ağları kullanılarak protein metal bağlanma yerlerinin analizi
Analysis of protein metal-binding sites using deep neural networks
İSMAİL HABERAL
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN OĞUL
- Sentiment analysis of Turkish financial tweets using deep learning models for BIST 100 index
BİST 100 endeksi için derin öğrenme modelleri kullanılarak Türkçe finansal tweetlerin duygu analizi
ERKUT MEMİŞ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA YENİAD