000			05253nam a2200469 i 4500
999			_c200458698 _d76910
003			TR-AnTOB
005			20231024152727.0
007			ta
008			171111s2023 xxu e mmmm 00| 0 eng d
035			_a(TR-AnTOB)200458698
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE MAK YL’23 SÖY
100	1		_aSöyleyici, Cem _eauthor _9144105
245	1	0	_aDijital ikiz çatıyapısı altında yapısal kirişlerin fizik bilgili sinir ağları ile dinamik modellenmesi / _cCem Söyleyici; thesis advisor Hakan Özgür Ünver.
246			_aDynamical modelling of structural beams under a digital twin framework with physics-informed neural networks
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2023.
300			_axviii, 79 pages : _billustrations ; _c29 cm
336			_atext _btxt _2rdacontent
337			_aunmediated _bn _2rdamedia
338			_avolume _bnc _2rdacarrier
502			_aTez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Eylül 2023
520			_aDijital İkiz (DT)'ler birçok alanda olduğu gibi yapısal parçaların çalışma anında maruz kaldıkları yüklere göre durum takibini yapmak için de kullanılmaktadır. Fiziksel ürünün dijital kopyasının oluşturulması aşamasında ise Sonlu Elemanlar Yöntemi (FEM) sıklıkla görev almaktadır. FEM uygulamalarında parça geometrisinin kompleksliği ve mesh detayları önemli olmakla beraber analiz sürelerini ve dolayısıyla DT oluşum süresini etkilemektedir. Doğruluğu yüksek ve gecikme süresi düşük bir dijital kopya oluşturulması aşamasında, birçok alanda kendisine yer bulan Yapay Zeka (AI)'dan faylanmak mümkündür. Bu çalışmada, yapısal kirişlerin DT'lerinin oluşturulması sırasında, içinde barındırdığı probleme ait Kısmi Diferansiyel Denklem (PDE)'lerden faydalanan, daha az veriyle yüksek doğruluklu modellemeler yapabilen Fizik Bilgili Sinir Ağları (PINN) yapısı ve bu yapının kullanıldığı bir DT çatıyasıpı önerilmektedir. Çalışmalar sırasında probleme ait analitik denklemler yardımıyla sentetik veriler üretilmiştir. Daha sonra üretilen veriler, PINN modeline beslenerek ileri problem çözülmüş ve ters problem çözümüyle de sistem parametreleri tahmin edilmiştir. Yüksek frekanslı öğrenmede spektral yanlılık (bias) fenomeni ile başa çıkmak için Neural Tangent Kernel (NTK) ile kendinden uyarlamalı ağırlık güncellemesi metodu uygulanmıştır. PINN tahminleri, geliştirilen yöntemin doğruluğunu kanıtlamak için Sonlu Elemanlar Analizi (FEA) çıktıları ile karşılaştırılmıştır. Sentetik verilerle yapılan çalışmalar sonrasında, deney düzeneğinden toplanan gerçek veriler ile de bir çalışma yapılmış ve PINN'lerin doğrusal olmayan yüksek dereceli PDE'lerin
520			_aDigital Twins (DT) are used in many fields, as well as to monitor the condition of structural parts according to the loads they are exposed to during operation. In the process of creating a digital copy of the physical product, Finite Element Method (FEM) is often involved. Although the complexity of the part geometry and mesh details are important in FEM applications, they affect the analysis time and thus the generation time of DT. Creating a digital copy with high-fidelity and low latency makes it possible to employ Artificial Intelligence (AI), which has found its place in many fields. In this study, we propose a Physics-Informed Neural Network (PINN) structure and DT framework that can perform high-fidelity modeling with fewer data by using the Partial Differential Equations (PDE) of the problem during the generation of the DT of structural beams. During the studies, synthetic data are generated with the help of analytical equations of the problem. Then, the generated data are fed into the PINN model to solve the forward problem and the inverse problem is solved to estimate the system parameters. A self-adaptive weight update method with a Neural Tangent Kernel (NTK) is applied to deal with the spectral bias phenomenon in high-frequency learning. The PINN estimates are compared with the Finite Element Analysis (FEA) outputs to prove the accuracy of the developed method. After the studies with synthetic data, a study is carried out with real data collected from the experimental setup, and the potential of PINNs to approximate the solution of nonlinear higher-order PDEs and parameter identification is demonstrated.
653			_aFizik-bilgili sinir ağları (PINNs)
653			_aDigital ikiz (DT)
653			_aSerbest titreşim
653			_aKısmi diferansiyel denklemler (PDEs)
653			_aÇapraz yapısal kirişler
653			_aİleri (forward)
653			_aTers (inverse) problemler
653			_aPhysics informed neural networks (PINNs)
653			_aDigital twin (DT)
653			_aFree vibration
653			_aPartical differential equations (PDEs)
653			_aTraverse structural beam
653			_aForward and Inverse problem
700	1		_aÜnver, Hakkı Özgür _9128655 _eadvisor
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z