Διερεύνηση των Φασμάτων Απόκρισης των Σεισμών στην Ελλάδα και Μόρφωση Νευρωνικών Δικτύων Πρόβλεψης της Φασματικής Επιτάχυνσης

Simple item page
dc.contributor.advisorΚοντονή, Διονυσία-Πηνελόπη
dc.contributor.authorΖαφειρόπουλος, Παναγιώτης
dc.contributor.committeeΜαρινάκης, Ευάγγελος
dc.contributor.committeeΤζιρτζιλάκης, Ευστράτιος
dc.contributor.departmentΤμήμα Πολιτικών Μηχανικώνel
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.masterΠροστασία κατασκευών από φυσικές καταστροφέςel
dc.date.accessioned2025-07-23T07:48:25Z
dc.date.available2025-07-23T07:48:25Z
dc.date.issued2025
dc.description.abstractΗ παρούσα Μεταπτυχιακή Διπλωματική Εργασία εκπονήθηκε στο πλαίσιο του Μεταπτυχιακού Προγράμματος Σπουδών «Προστασία Κατασκευών από Φυσικές Καταστροφές» του Πανεπιστημίου Πελοποννήσου και εστιάζει στη μελέτη της σεισμικής απόκρισης των κατασκευών μέσω της ανάλυσης φασμάτων απόκρισης σεισμών που καταγράφηκαν στον Ελλαδικό χώρο από το 1973 μέχρι και σήμερα. Η Ελλάδα, ως η πιο σεισμογενής χώρα της Ευρώπης, προσφέρει πληθώρα δεδομένων που καθιστούν τη διερεύνηση των φασμάτων απόκρισης ιδιαίτερα σημαντική για την κατανόηση της δυναμικής συμπεριφοράς των κατασκευών και τη βελτίωση της αντισεισμικής προστασίας. Στο θεωρητικό μέρος της εργασίας, παρουσιάζονται βασικά στοιχεία σεισμολογίας, δυναμική ανάλυση συστημάτων ενός βαθμού ελευθερίας, καθώς και τα χαρακτηριστικά των φασμάτων επιτάχυνσης, ταχύτητας και μετατόπισης. Επιπλέον, αναλύονται τεχνικές μηχανικής μάθησης, με έμφαση στα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks - ANNs), τα οποία αξιοποιούνται για την πρόβλεψη της σεισμικής απόκρισης. Στο πρακτικό σκέλος, πραγματοποιήθηκε συλλογή και επεξεργασία επιταχυνσιογραφημάτων από τους σημαντικότερους σεισμούς στην Ελλάδα, και έγινε υπολογισμός φασμάτων απόκρισης με χρήση του λογισμικού PRISM για διαφορετικές τιμές απόσβεσης. Ακολούθησε η ανάπτυξη και η εκπαίδευση μοντέλων μηχανικής μάθησης, όπως τα Νευρωνικά Δίκτυα Άμεσης Τροφοδότησης και τα Δέντρα Απόφασης (Decision Trees), με βασική συνάρτηση ενεργοποίησης τη ReLU (Rectified Linear Unit). Τα μοντέλα αυτά χρησιμοποιήθηκαν για την πρόβλεψη φασματικής επιτάχυνσης, ταχύτητας και μετατόπισης, βάσει χαρακτηριστικών των σεισμικών γεγονότων. Τα αποτελέσματα της μελέτης ανέδειξαν τη δυνατότητα των νευρωνικών δικτύων να προβλέπουν με υψηλή ακρίβεια τη φασματική επιτάχυνση, την φασματική ταχύτητα και τη φασματική μετατόπιση, προσφέροντας σημαντική υποστήριξη στον σύγχρονο αντισεισμικό σχεδιασμό και στην ενίσχυση υφιστάμενων κατασκευών. Η εφαρμογή τεχνητής νοημοσύνης σε συνδυασμό με σεισμολογικά δεδομένα συμβάλλει στην ενίσχυση προστασίας των ανθρώπινων ζωών και περιουσιών.el
dc.description.abstracttranslatedThis Postgraduate Thesis was conducted within the framework of the Postgraduate Program "Protection of Structures from Natural Disasters" at the University of the Peloponnese and focuses on the study of the seismic response of structures through the analysis of response spectra from earthquakes recorded in Greece from 1973 to the present. Greece, being the most seismically active country in Europe, provides a wealth of data that makes the investigation of response spectra particularly important for understanding the dynamic behavior of structures and improving seismic protection. The theoretical part of the study presents fundamental concepts of seismology, dynamic analysis of single-degree-of-freedom (SDOF) systems, as well as the characteristics of acceleration, velocity, and displacement response spectra. Moreover, machine learning techniques are analyzed, with emphasis on Artificial Neural Networks (ANNs), which are employed to predict seismic response. In the practical part, accelerograms from major earthquakes in Greece were collected and processed. Response spectra were calculated using the PRISM software for different damping ratios. Subsequently, machine learning models were developed and trained, including Feedforward Neural Networks and Decision Trees, with ReLU (Rectified Linear Unit) as the main activation function. These models were used to predict spectral acceleration, velocity, and displacement based on the characteristics of seismic events. The results of the study demonstrated the capability of neural networks to accurately predict spectral acceleration, velocity, and displacement, providing significant support for modern seismic design and the strengthening of existing structures. The integration of artificial intelligence with seismological data contributes to enhancing the protection of human life and property.el
dc.format.extent52el
dc.identifier.urihttps://amitos.library.uop.gr/xmlui/handle/123456789/9092
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πελοποννήσουel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.subject.keywordΝευρωνικά Δίκτυαel
dc.subject.keywordArtificial Neural Networksel
dc.subject.keywordΦάσματα Απόκρισηςel
dc.titleΔιερεύνηση των Φασμάτων Απόκρισης των Σεισμών στην Ελλάδα και Μόρφωση Νευρωνικών Δικτύων Πρόβλεψης της Φασματικής Επιτάχυνσηςel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Zafeiropoulos_2219.pdf
Size:
3.24 MB
Format:
Adobe Portable Document Format
Description:
Μεταπτυχιακή διπλωματική εργασία
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
933 B
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Τμήμα Πολιτικών Μηχανικών (Μ. Δ. Ε.)