Βελτίωση μοντέλου ANFIS για την πρόβλεψη μηχανικών ιδιοτήτων δοκιμίων προσθετικών κατασκευών

Μαντάλας, Εμμανουήλ-Μαρίνος

dc.contributor.advisor	Στεργίου, Κωνσταντίνος
dc.contributor.author	Μαντάλας, Εμμανουήλ-Μαρίνος
dc.date.accessioned	2024-12-19T08:26:46Z
dc.date.available	2024-12-19T08:26:46Z
dc.date.issued	2024-10-10
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/8205
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-8034
dc.description.abstract	Η διπλωματική εξετάζει την ενσωμάτωση τεχνολογιών Προσθετικής Κατασκευής (ΠΚ) με Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) και Νευροασαφή Συστήματα (ANFIS) για τη βελτίωση της ακρίβειας, της αποδοτικότητας και των μηχανικών ιδιοτήτων των εξαρτημάτων που εκτυπώνονται με 3D εκτύπωση. Η Προσθετική Κατασκευή, μια διαδικασία δημιουργίας αντικειμένων με την προσθήκη υλικού στρώμα προς στρώμα, έχει φέρει επανάσταση στην παραγωγή πολύπλοκων γεωμετριών σε διάφορες βιομηχανίες. Ωστόσο, η βελτιστοποίηση των μηχανικών ιδιοτήτων και της ακρίβειας των εκτυπωμένων εξαρτημάτων παραμένει μια πρόκληση. Συνδυάζοντας τις ικανότητες μάθησης των ΤΝΔ με την ικανότητα λήψης αποφάσεων της ασαφούς λογικής, το μοντέλο ANFIS μπορεί να βελτιστοποιεί προσαρμοστικά τις παραμέτρους εκτύπωσης για τη βελτίωση της ποιότητας των εξαρτημάτων. Τα πειραματικά δεδομένα που συλλέγονται από τις διαδικασίες ΠΚ χρησιμοποιούνται για την εκπαίδευση του μοντέλου ANFIS, επιτρέποντάς του να προβλέπει αποτελέσματα όπως την τάση, την παραμόρφωση και το μέτρο ελαστικότητας υπό διάφορες συνθήκες εκτύπωσης. Η απόδοση του μοντέλου ANFIS αξιολογείται με τη χρήση δεικτών όπως το μέσο τετραγωνικό σφάλμα (RMSE) και το R-squared (R²) για να διασφαλιστεί η ακρίβεια και η αξιοπιστία του σε πραγματικές εφαρμογές.	el
dc.format.extent	63	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	ANFIS	el
dc.subject	Προσθετική κατασκευή	el
dc.subject	Νευρο-ασαφή συστήματα	el
dc.subject	Μηχανικές ιδιότητες	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Ασαφή συστήματα	el
dc.subject	Ασαφής λογική	el
dc.title	Βελτίωση μοντέλου ANFIS για την πρόβλεψη μηχανικών ιδιοτήτων δοκιμίων προσθετικών κατασκευών	el
dc.title.alternative	Optimization of ANFIS model for predicting the mechanical properties of AM specimens	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Σαγιάς, Βασίλειος
dc.contributor.committee	ZACHARIA, PARASKEVI
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανολόγων Μηχανικών	el
dc.description.abstracttranslated	The thesis explores the integration of Additive Manufacturing (AM) technologies with Artificial Neural Networks (ANN) and Neuro-Fuzzy Inference Systems (ANFIS) to enhance the precision, efficiency, and mechanical properties of 3D-printed components. Additive Manufacturing, a process of creating objects by adding material layer by layer, has revolutionized the production of complex geometries in various industries. However, optimizing printed parts' mechanical properties and accuracy remains a challenge. By combining the learning capabilities of ANNs with the decision-making prowess of fuzzy logic, the ANFIS model can adaptively refine printing parameters to improve part quality. Experimental data collected from AM processes are used to train the ANFIS model, allowing it to predict outputs such as stress, strain, and deformation under various printing conditions. The performance of the ANFIS model is evaluated using metrics like root mean square error (RMSE) and R-squared (R²) to ensure its accuracy and reliability in real-world applications.	el

Files in this item

Name:: Mantalas_19392205.pdf
Size:: 4.182Mb
Format:: PDF
Description:: Διπλωματική Εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανολόγων Μηχανικών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές