{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3331536"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3331536","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Physics-informed operator learning for solving ODE/PDEs with time-dependent forcing term","abstract":"Η τεράστια αύξηση της διαθέσιμης υπολογιστικής ισχύος έχει καταστήσει δυνατή την προσομοίωση διαφόρων προβλημάτων φυσικής επιλύοντας τις διαφορικές εξισώσεις τους γρηγορότερα. Ωστόσο, παρόλες αυτές τις τεχνολογικές εξελίξεις, η πολυπλοκότητα της όλης διαδικασίας παραμένει πρόκληση για τον εκάστοτε επαγγελματία, ενώ το υπολογιστικό κόστος παραμένει ακόμα σχετικά υψηλό. Αυτό το κόστος αυξάνεται περαιτέρω όταν εξετάζεται το πλήθος των προσομοιώσεων που απαιτούνται για την εξερεύνηση διαφορετικών φορτίων, συνοριακών και αρχικών συνθηκών μέσα σε ένα φυσικό σύστημα στα διάφορα σενάρια που συνήθως συναντώνται στην πράξη. Σε αυτήν την εργασία, με κίνητρο την επιτακτική ανάγκη να αντιμετωπιστούν αυτές οι προκλήσεις, παρουσιάζουμε και αξιολογούμε την αποτελεσματικότητα ενός νευρωνικού δικτύου βαθίας μάθησης για τελεστές (DeepONet) καθώς και την ενσωματωμένη με φυσική του προβλήματος παραλλαγή του, η οποία έχει σχεδιαστεί για να εκπαιδεύεται χωρίς ζεύγη δεδομένων εισόδου-εξόδου, ενισχύοντας έτσι την ικανότητα γενίκευσης του νευρωνικού δικτύου-τελεστή. Η διπλωματική προχωρά μετέπειτα στην διευθέτηση της αρχιτεκτονικής του νευρωνικού δικτύου τελεστή με βάση δύο διαφορετικά σενάρια: ένα σύστημα εξαναγκασμένου ταλαντωτή με σύνηθη διαφορική εξίσωση (ΣΔΕ) και ένα πρακτικό σενάριο μπαταρίας ιόντων-λιθίου που περιγράφεται από μερική διαφορική εξισώση (ΜΔΕ). Η ανάλυση του εξαναγκάσμενου ταλαντωτή αποκαλύπτει οτι η εκπαίδευση σε φορτία υψηλότερων συχνοτήτων και η χρήση υβριδικής προσέγγισης (συνδυασμός φυσικής και δεδομένων) ενισχύει την ακρίβεια και την ικανότητα γενίκευσης του μοντέλου σε χαμηλότερες συχνότητες, ενώ η χρήση ημιτονοειδούς συνάρτησης ενεργοποίησης αποκλειστικά στο πρώτο στρώμα του κύριου δικτύου (trunk net) δύναται να επιφέρει περαιτέρω βελτιώσεις. Στην περίπτωση της μπαταρίας, διερευνάται μια σειρά προσεγγίσεων για τη μοντελοποίηση του συστήματος αποκλειστικά με βάση τη φυσική γνώση, λαμβάνοντας υπόψη την περιορισμένη διαθέσιμη βιβλιογραφία σχετικά με αυτό το φλέγον ζήτημα, αποκαλύπτωντας οτι σημαντική βελτίωση μπορεί να επιτευχθεί εάν η ΜΔΕ εφαρμοσθεί επιπρόσθετα στις αρχικές και συνοριακές συνθήκες στην επιφάνεια του συστήματος. Έτσι, παρούσα εργασία θέτει τις βάσεις για μελλοντική έρευνα σε αυτό το ανεξερεύνητο πεδίο, συμβάλλοντας έτσι στην περαιτέρω εξέλιξή του.","abstract_html":"Η τεράστια αύξηση της διαθέσιμης υπολογιστικής ισχύος έχει καταστήσει δυνατή την προσομοίωση διαφόρων προβλημάτων φυσικής επιλύοντας τις διαφορικές εξισώσεις τους γρηγορότερα. Ωστόσο, παρόλες αυτές τις τεχνολογικές εξελίξεις, η πολυπλοκότητα της όλης διαδικασίας παραμένει πρόκληση για τον εκάστοτε επαγγελματία, ενώ το υπολογιστικό κόστος παραμένει ακόμα σχετικά υψηλό. Αυτό το κόστος αυξάνεται περαιτέρω όταν εξετάζεται το πλήθος των προσομοιώσεων που απαιτούνται για την εξερεύνηση διαφορετικών φορτίων, συνοριακών και αρχικών συνθηκών μέσα σε ένα φυσικό σύστημα στα διάφορα σενάρια που συνήθως συναντώνται στην πράξη. Σε αυτήν την εργασία, με κίνητρο την επιτακτική ανάγκη να αντιμετωπιστούν αυτές οι προκλήσεις, παρουσιάζουμε και αξιολογούμε την αποτελεσματικότητα ενός νευρωνικού δικτύου βαθίας μάθησης για τελεστές (DeepONet) καθώς και την ενσωματωμένη με φυσική του προβλήματος παραλλαγή του, η οποία έχει σχεδιαστεί για να εκπαιδεύεται χωρίς ζεύγη δεδομένων εισόδου-εξόδου, ενισχύοντας έτσι την ικανότητα γενίκευσης του νευρωνικού δικτύου-τελεστή. Η διπλωματική προχωρά μετέπειτα στην διευθέτηση της αρχιτεκτονικής του νευρωνικού δικτύου τελεστή με βάση δύο διαφορετικά σενάρια: ένα σύστημα εξαναγκασμένου ταλαντωτή με σύνηθη διαφορική εξίσωση (ΣΔΕ) και ένα πρακτικό σενάριο μπαταρίας ιόντων-λιθίου που περιγράφεται από μερική διαφορική εξισώση (ΜΔΕ). Η ανάλυση του εξαναγκάσμενου ταλαντωτή αποκαλύπτει οτι η εκπαίδευση σε φορτία υψηλότερων συχνοτήτων και η χρήση υβριδικής προσέγγισης (συνδυασμός φυσικής και δεδομένων) ενισχύει την ακρίβεια και την ικανότητα γενίκευσης του μοντέλου σε χαμηλότερες συχνότητες, ενώ η χρήση ημιτονοειδούς συνάρτησης ενεργοποίησης αποκλειστικά στο πρώτο στρώμα του κύριου δικτύου (trunk net) δύναται να επιφέρει περαιτέρω βελτιώσεις. Στην περίπτωση της μπαταρίας, διερευνάται μια σειρά προσεγγίσεων για τη μοντελοποίηση του συστήματος αποκλειστικά με βάση τη φυσική γνώση, λαμβάνοντας υπόψη την περιορισμένη διαθέσιμη βιβλιογραφία σχετικά με αυτό το φλέγον ζήτημα, αποκαλύπτωντας οτι σημαντική βελτίωση μπορεί να επιτευχθεί εάν η ΜΔΕ εφαρμοσθεί επιπρόσθετα στις αρχικές και συνοριακές συνθήκες στην επιφάνεια του συστήματος. Έτσι, παρούσα εργασία θέτει τις βάσεις για μελλοντική έρευνα σε αυτό το ανεξερεύνητο πεδίο, συμβάλλοντας έτσι στην περαιτέρω εξέλιξή του.","abstract_has_math":false,"creators":["Κάνδιας Ιωάννης-Χρήστος","Kandias Ioannis-Christos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:22:22Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331536"],"render_values":[{"text":"uoadl:3331536","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331536","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331536","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3331536","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κάνδιας Ιωάννης-Χρήστος","Kandias Ioannis-Christos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331536","https://pergamos.lib.uoa.gr/uoa/dl/object/3331536"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η τεράστια αύξηση της διαθέσιμης υπολογιστικής ισχύος έχει καταστήσει δυνατή την προσομοίωση διαφόρων προβλημάτων φυσικής επιλύοντας τις διαφορικές εξισώσεις τους γρηγορότερα. Ωστόσο, παρόλες αυτές τις τεχνολογικές εξελίξεις, η πολυπλοκότητα της όλης διαδικασίας παραμένει πρόκληση για τον εκάστοτε επαγγελματία, ενώ το υπολογιστικό κόστος παραμένει ακόμα σχετικά υψηλό. Αυτό το κόστος αυξάνεται περαιτέρω όταν εξετάζεται το πλήθος των προσομοιώσεων που απαιτούνται για την εξερεύνηση διαφορετικών φορτίων, συνοριακών και αρχικών συνθηκών μέσα σε ένα φυσικό σύστημα στα διάφορα σενάρια που συνήθως συναντώνται στην πράξη. Σε αυτήν την εργασία, με κίνητρο την επιτακτική ανάγκη να αντιμετωπιστούν αυτές οι προκλήσεις, παρουσιάζουμε και αξιολογούμε την αποτελεσματικότητα ενός νευρωνικού δικτύου βαθίας μάθησης για τελεστές (DeepONet) καθώς και την ενσωματωμένη με φυσική του προβλήματος παραλλαγή του, η οποία έχει σχεδιαστεί για να εκπαιδεύεται χωρίς ζεύγη δεδομένων εισόδου-εξόδου, ενισχύοντας έτσι την ικανότητα γενίκευσης του νευρωνικού δικτύου-τελεστή. Η διπλωματική προχωρά μετέπειτα στην διευθέτηση της αρχιτεκτονικής του νευρωνικού δικτύου τελεστή με βάση δύο διαφορετικά σενάρια: ένα σύστημα εξαναγκασμένου ταλαντωτή με σύνηθη διαφορική εξίσωση (ΣΔΕ) και ένα πρακτικό σενάριο μπαταρίας ιόντων-λιθίου που περιγράφεται από μερική διαφορική εξισώση (ΜΔΕ). Η ανάλυση του εξαναγκάσμενου ταλαντωτή αποκαλύπτει οτι η εκπαίδευση σε φορτία υψηλότερων συχνοτήτων και η χρήση υβριδικής προσέγγισης (συνδυασμός φυσικής και δεδομένων) ενισχύει την ακρίβεια και την ικανότητα γενίκευσης του μοντέλου σε χαμηλότερες συχνότητες, ενώ η χρήση ημιτονοειδούς συνάρτησης ενεργοποίησης αποκλειστικά στο πρώτο στρώμα του κύριου δικτύου (trunk net) δύναται να επιφέρει περαιτέρω βελτιώσεις. Στην περίπτωση της μπαταρίας, διερευνάται μια σειρά προσεγγίσεων για τη μοντελοποίηση του συστήματος αποκλειστικά με βάση τη φυσική γνώση, λαμβάνοντας υπόψη την περιορισμένη διαθέσιμη βιβλιογραφία σχετικά με αυτό το φλέγον ζήτημα, αποκαλύπτωντας οτι σημαντική βελτίωση μπορεί να επιτευχθεί εάν η ΜΔΕ εφαρμοσθεί επιπρόσθετα στις αρχικές και συνοριακές συνθήκες στην επιφάνεια του συστήματος. Έτσι, παρούσα εργασία θέτει τις βάσεις για μελλοντική έρευνα σε αυτό το ανεξερεύνητο πεδίο, συμβάλλοντας έτσι στην περαιτέρω εξέλιξή του.","The advent of powerful computational resources has fostered the simulation of various physics problems by solving their differential equations at accelerated speeds. However, despite these technological advancements, the complexity of the entire process remains a challenge for practitioners while the computational costs remain relatively high and escalate further when considering the multitude of simulations required to explore different inputs, boundaries, and initial conditions within a physical system across various scenarios typically encountered in practice. In this work, motivated by the imperative to address these challenges, we introduce and evaluate the efficacy of a deep operator network (DeepONet) along with its physics-informed variant designed to be trained without paired input-output data, thereby enhancing the generalizability of the operator network. The thesis addresses the operator architecture in two distinct scenarios: an Ordinary Differential Equation (ODE) forced oscillator system and a practical Partial Differential Equation (PDE) lithium-ion battery scenario. Analysis of ODE setup reveals that training with higher frequency inputs and using a hybrid approach (combining data and physics) boosts the accuracy and generalizability of the system to lower frequency inputs while implementing a sinusoidal activation function in solely the first layer of trunk net can offer an additional enhancement. In the case of the battery scenario, a series of approaches are explored to model the system with a primary focus on leveraging physics, considering the limited literature available on this burning issue; revealing that a significant improvement can be achieved by enforcing the PDE further to the initial and boundary conditions on the surface of the system. This groundwork thus sets the stage for future research in this underexplored topic, thereby contributing to this developing domain."]},{"key":"dc:title","label":"Title","values":["Physics-informed operator learning for solving ODE/PDEs with time-dependent forcing term"]}]}],"canonical_facts":{"dc:creator":["Κάνδιας Ιωάννης-Χρήστος","Kandias Ioannis-Christos"],"dc:date":["2024"],"dc:description":["Η τεράστια αύξηση της διαθέσιμης υπολογιστικής ισχύος έχει καταστήσει δυνατή την προσομοίωση διαφόρων προβλημάτων φυσικής επιλύοντας τις διαφορικές εξισώσεις τους γρηγορότερα. Ωστόσο, παρόλες αυτές τις τεχνολογικές εξελίξεις, η πολυπλοκότητα της όλης διαδικασίας παραμένει πρόκληση για τον εκάστοτε επαγγελματία, ενώ το υπολογιστικό κόστος παραμένει ακόμα σχετικά υψηλό. Αυτό το κόστος αυξάνεται περαιτέρω όταν εξετάζεται το πλήθος των προσομοιώσεων που απαιτούνται για την εξερεύνηση διαφορετικών φορτίων, συνοριακών και αρχικών συνθηκών μέσα σε ένα φυσικό σύστημα στα διάφορα σενάρια που συνήθως συναντώνται στην πράξη. Σε αυτήν την εργασία, με κίνητρο την επιτακτική ανάγκη να αντιμετωπιστούν αυτές οι προκλήσεις, παρουσιάζουμε και αξιολογούμε την αποτελεσματικότητα ενός νευρωνικού δικτύου βαθίας μάθησης για τελεστές (DeepONet) καθώς και την ενσωματωμένη με φυσική του προβλήματος παραλλαγή του, η οποία έχει σχεδιαστεί για να εκπαιδεύεται χωρίς ζεύγη δεδομένων εισόδου-εξόδου, ενισχύοντας έτσι την ικανότητα γενίκευσης του νευρωνικού δικτύου-τελεστή. Η διπλωματική προχωρά μετέπειτα στην διευθέτηση της αρχιτεκτονικής του νευρωνικού δικτύου τελεστή με βάση δύο διαφορετικά σενάρια: ένα σύστημα εξαναγκασμένου ταλαντωτή με σύνηθη διαφορική εξίσωση (ΣΔΕ) και ένα πρακτικό σενάριο μπαταρίας ιόντων-λιθίου που περιγράφεται από μερική διαφορική εξισώση (ΜΔΕ). Η ανάλυση του εξαναγκάσμενου ταλαντωτή αποκαλύπτει οτι η εκπαίδευση σε φορτία υψηλότερων συχνοτήτων και η χρήση υβριδικής προσέγγισης (συνδυασμός φυσικής και δεδομένων) ενισχύει την ακρίβεια και την ικανότητα γενίκευσης του μοντέλου σε χαμηλότερες συχνότητες, ενώ η χρήση ημιτονοειδούς συνάρτησης ενεργοποίησης αποκλειστικά στο πρώτο στρώμα του κύριου δικτύου (trunk net) δύναται να επιφέρει περαιτέρω βελτιώσεις. Στην περίπτωση της μπαταρίας, διερευνάται μια σειρά προσεγγίσεων για τη μοντελοποίηση του συστήματος αποκλειστικά με βάση τη φυσική γνώση, λαμβάνοντας υπόψη την περιορισμένη διαθέσιμη βιβλιογραφία σχετικά με αυτό το φλέγον ζήτημα, αποκαλύπτωντας οτι σημαντική βελτίωση μπορεί να επιτευχθεί εάν η ΜΔΕ εφαρμοσθεί επιπρόσθετα στις αρχικές και συνοριακές συνθήκες στην επιφάνεια του συστήματος. Έτσι, παρούσα εργασία θέτει τις βάσεις για μελλοντική έρευνα σε αυτό το ανεξερεύνητο πεδίο, συμβάλλοντας έτσι στην περαιτέρω εξέλιξή του.","The advent of powerful computational resources has fostered the simulation of various physics problems by solving their differential equations at accelerated speeds. However, despite these technological advancements, the complexity of the entire process remains a challenge for practitioners while the computational costs remain relatively high and escalate further when considering the multitude of simulations required to explore different inputs, boundaries, and initial conditions within a physical system across various scenarios typically encountered in practice. In this work, motivated by the imperative to address these challenges, we introduce and evaluate the efficacy of a deep operator network (DeepONet) along with its physics-informed variant designed to be trained without paired input-output data, thereby enhancing the generalizability of the operator network. The thesis addresses the operator architecture in two distinct scenarios: an Ordinary Differential Equation (ODE) forced oscillator system and a practical Partial Differential Equation (PDE) lithium-ion battery scenario. Analysis of ODE setup reveals that training with higher frequency inputs and using a hybrid approach (combining data and physics) boosts the accuracy and generalizability of the system to lower frequency inputs while implementing a sinusoidal activation function in solely the first layer of trunk net can offer an additional enhancement. In the case of the battery scenario, a series of approaches are explored to model the system with a primary focus on leveraging physics, considering the limited literature available on this burning issue; revealing that a significant improvement can be achieved by enforcing the PDE further to the initial and boundary conditions on the surface of the system. This groundwork thus sets the stage for future research in this underexplored topic, thereby contributing to this developing domain."],"dc:identifier":["uoadl:3331536","https://pergamos.lib.uoa.gr/uoa/dl/object/3331536"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Physics-informed operator learning for solving ODE/PDEs with time-dependent forcing term"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:22Z"}