{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3415371"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3415371","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"A Sparse Polynomial Chaos Algorithm with a Variance-Adaptive Design Domain for the Uncertainty Quantification and Optimization of Grating Structures","abstract":"Σε αυτή την εργασία, παρουσιάζουμε έναν αλγόριθμο βασισμένο στο Ανάπτυγμα Πολυω- νυμικού Χάους (PCE) για την αντιμετώπιση προβλημάτων ποσοτικοποίησης αβεβαιότητας που σχετίζονται με φίλτρα περίθλασης. Η προσέγγισή μας κατασκευάζει προσαρμοστικά ανισοτροπικά μοντέλα PCΕ για τις ποσότητες ενδιαφέροντος, λαμβάνοντας υπόψη διαφο- ρετικές τάξεις πολυωνύμων. Εκμεταλλεύεται τη αραιότητα των συντελεστών PCE, οι οποί- οι υπολογίζονται χρησιμοποιώντας τον αραιό επιλυτή Least Angles Regression (LARS), οδηγώντας σε μια ιδιαίτερα αποδοτική διαδικασία. Επιπλέον, σχεδιάζουμε βέλτιστα πει- ράματα που αξιοποιούν τη τοπική διακύμανση των δειγμάτων, βελτιώνοντας περαιτέρω την αξιοπιστία των υπολογισμών. Εφαρμόζουμε αυτή τη μέθοδο στην ποσοτικοποίηση α- βεβαιότητας ενός τυπικού φίλτρου περίθλασης συντονισμού, επιδεικνύοντας την ανώτερη απόδοσή της σε σύγκριση με τις τυπικές τεχνικές. Επιπλέον, το κατασκευασμένο μοντέλο PCE μπορεί να παράγει δείγματα των ποσοτήτων ενδιαφέροντος του φίλτρου περίθλασης, τα οποία μπορούν να χρησιμοποιηθούν σε συνδυασμό με έναν στοχαστικό βελτιστοποιητή για τη βελτιστοποίηση της απόδοσης του φίλτρου περίθλασης σε σχέση με τις μεταβλη- τές σχεδιασμού του. Ακόμη, παρατηρούνται βελτιωμένα αποτελέσματα βελτιστοποίησης όταν ο παρουσιαζόμενος αλγόριθμος PCE συνδυάζεται με την παρεμβολή Kriging.","abstract_html":"Σε αυτή την εργασία, παρουσιάζουμε έναν αλγόριθμο βασισμένο στο Ανάπτυγμα Πολυω- νυμικού Χάους (PCE) για την αντιμετώπιση προβλημάτων ποσοτικοποίησης αβεβαιότητας που σχετίζονται με φίλτρα περίθλασης. Η προσέγγισή μας κατασκευάζει προσαρμοστικά ανισοτροπικά μοντέλα PCΕ για τις ποσότητες ενδιαφέροντος, λαμβάνοντας υπόψη διαφο- ρετικές τάξεις πολυωνύμων. Εκμεταλλεύεται τη αραιότητα των συντελεστών PCE, οι οποί- οι υπολογίζονται χρησιμοποιώντας τον αραιό επιλυτή Least Angles Regression (LARS), οδηγώντας σε μια ιδιαίτερα αποδοτική διαδικασία. Επιπλέον, σχεδιάζουμε βέλτιστα πει- ράματα που αξιοποιούν τη τοπική διακύμανση των δειγμάτων, βελτιώνοντας περαιτέρω την αξιοπιστία των υπολογισμών. Εφαρμόζουμε αυτή τη μέθοδο στην ποσοτικοποίηση α- βεβαιότητας ενός τυπικού φίλτρου περίθλασης συντονισμού, επιδεικνύοντας την ανώτερη απόδοσή της σε σύγκριση με τις τυπικές τεχνικές. Επιπλέον, το κατασκευασμένο μοντέλο PCE μπορεί να παράγει δείγματα των ποσοτήτων ενδιαφέροντος του φίλτρου περίθλασης, τα οποία μπορούν να χρησιμοποιηθούν σε συνδυασμό με έναν στοχαστικό βελτιστοποιητή για τη βελτιστοποίηση της απόδοσης του φίλτρου περίθλασης σε σχέση με τις μεταβλη- τές σχεδιασμού του. Ακόμη, παρατηρούνται βελτιωμένα αποτελέσματα βελτιστοποίησης όταν ο παρουσιαζόμενος αλγόριθμος PCE συνδυάζεται με την παρεμβολή Kriging.","abstract_has_math":false,"creators":["Παπαδόπουλος Αριστείδης","Papadopoulos Aristeidis"],"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":"2026-11-19T06:30:22Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3415371"],"render_values":[{"text":"uoadl:3415371","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3415371","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3415371","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%3A3415371","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παπαδόπουλος Αριστείδης","Papadopoulos Aristeidis"]}]},{"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:3415371","https://pergamos.lib.uoa.gr/uoa/dl/object/3415371"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε αυτή την εργασία, παρουσιάζουμε έναν αλγόριθμο βασισμένο στο Ανάπτυγμα Πολυω- νυμικού Χάους (PCE) για την αντιμετώπιση προβλημάτων ποσοτικοποίησης αβεβαιότητας που σχετίζονται με φίλτρα περίθλασης. Η προσέγγισή μας κατασκευάζει προσαρμοστικά ανισοτροπικά μοντέλα PCΕ για τις ποσότητες ενδιαφέροντος, λαμβάνοντας υπόψη διαφο- ρετικές τάξεις πολυωνύμων. Εκμεταλλεύεται τη αραιότητα των συντελεστών PCE, οι οποί- οι υπολογίζονται χρησιμοποιώντας τον αραιό επιλυτή Least Angles Regression (LARS), οδηγώντας σε μια ιδιαίτερα αποδοτική διαδικασία. Επιπλέον, σχεδιάζουμε βέλτιστα πει- ράματα που αξιοποιούν τη τοπική διακύμανση των δειγμάτων, βελτιώνοντας περαιτέρω την αξιοπιστία των υπολογισμών. Εφαρμόζουμε αυτή τη μέθοδο στην ποσοτικοποίηση α- βεβαιότητας ενός τυπικού φίλτρου περίθλασης συντονισμού, επιδεικνύοντας την ανώτερη απόδοσή της σε σύγκριση με τις τυπικές τεχνικές. Επιπλέον, το κατασκευασμένο μοντέλο PCE μπορεί να παράγει δείγματα των ποσοτήτων ενδιαφέροντος του φίλτρου περίθλασης, τα οποία μπορούν να χρησιμοποιηθούν σε συνδυασμό με έναν στοχαστικό βελτιστοποιητή για τη βελτιστοποίηση της απόδοσης του φίλτρου περίθλασης σε σχέση με τις μεταβλη- τές σχεδιασμού του. Ακόμη, παρατηρούνται βελτιωμένα αποτελέσματα βελτιστοποίησης όταν ο παρουσιαζόμενος αλγόριθμος PCE συνδυάζεται με την παρεμβολή Kriging.","In this work, we introduce an algorithm based on Polynomial-Chaos Expansions (PCE) to tackle uncertainty quantification problems related to grating filters. Our approach adaptively constructs anisotropic PC models for the quantities of interest, accommodating varying polynomial orders. It exploits the sparsity of the PCE coefficients, which are computed using the Least Angles Regression (LARS) sparse solver, leading to a highly efficient process. Additionally, we design optimal experiments that leverage the local variance of the samples, further improving the reliability of the computations. We apply this method to the uncertainty quantification of a typical resonant grating filter, demonstrating its superior efficiency compared to standard techniques. In addition, the constructed PCE model can generate samples of the grating filter’s quantities of interest, which can be used alongside a stochastic optimizer to optimize the grating filter’s performance concerning its design variables. Furthermore improved optimization results are observed when the presented PCE algorithm is combined with Kriging interpolation."]},{"key":"dc:title","label":"Title","values":["A Sparse Polynomial Chaos Algorithm with a Variance-Adaptive Design Domain for the Uncertainty Quantification and Optimization of Grating Structures"]}]}],"canonical_facts":{"dc:creator":["Παπαδόπουλος Αριστείδης","Papadopoulos Aristeidis"],"dc:date":["2024"],"dc:description":["Σε αυτή την εργασία, παρουσιάζουμε έναν αλγόριθμο βασισμένο στο Ανάπτυγμα Πολυω- νυμικού Χάους (PCE) για την αντιμετώπιση προβλημάτων ποσοτικοποίησης αβεβαιότητας που σχετίζονται με φίλτρα περίθλασης. Η προσέγγισή μας κατασκευάζει προσαρμοστικά ανισοτροπικά μοντέλα PCΕ για τις ποσότητες ενδιαφέροντος, λαμβάνοντας υπόψη διαφο- ρετικές τάξεις πολυωνύμων. Εκμεταλλεύεται τη αραιότητα των συντελεστών PCE, οι οποί- οι υπολογίζονται χρησιμοποιώντας τον αραιό επιλυτή Least Angles Regression (LARS), οδηγώντας σε μια ιδιαίτερα αποδοτική διαδικασία. Επιπλέον, σχεδιάζουμε βέλτιστα πει- ράματα που αξιοποιούν τη τοπική διακύμανση των δειγμάτων, βελτιώνοντας περαιτέρω την αξιοπιστία των υπολογισμών. Εφαρμόζουμε αυτή τη μέθοδο στην ποσοτικοποίηση α- βεβαιότητας ενός τυπικού φίλτρου περίθλασης συντονισμού, επιδεικνύοντας την ανώτερη απόδοσή της σε σύγκριση με τις τυπικές τεχνικές. Επιπλέον, το κατασκευασμένο μοντέλο PCE μπορεί να παράγει δείγματα των ποσοτήτων ενδιαφέροντος του φίλτρου περίθλασης, τα οποία μπορούν να χρησιμοποιηθούν σε συνδυασμό με έναν στοχαστικό βελτιστοποιητή για τη βελτιστοποίηση της απόδοσης του φίλτρου περίθλασης σε σχέση με τις μεταβλη- τές σχεδιασμού του. Ακόμη, παρατηρούνται βελτιωμένα αποτελέσματα βελτιστοποίησης όταν ο παρουσιαζόμενος αλγόριθμος PCE συνδυάζεται με την παρεμβολή Kriging.","In this work, we introduce an algorithm based on Polynomial-Chaos Expansions (PCE) to tackle uncertainty quantification problems related to grating filters. Our approach adaptively constructs anisotropic PC models for the quantities of interest, accommodating varying polynomial orders. It exploits the sparsity of the PCE coefficients, which are computed using the Least Angles Regression (LARS) sparse solver, leading to a highly efficient process. Additionally, we design optimal experiments that leverage the local variance of the samples, further improving the reliability of the computations. We apply this method to the uncertainty quantification of a typical resonant grating filter, demonstrating its superior efficiency compared to standard techniques. In addition, the constructed PCE model can generate samples of the grating filter’s quantities of interest, which can be used alongside a stochastic optimizer to optimize the grating filter’s performance concerning its design variables. Furthermore improved optimization results are observed when the presented PCE algorithm is combined with Kriging interpolation."],"dc:identifier":["uoadl:3415371","https://pergamos.lib.uoa.gr/uoa/dl/object/3415371"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["A Sparse Polynomial Chaos Algorithm with a Variance-Adaptive Design Domain for the Uncertainty Quantification and Optimization of Grating Structures"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:22Z"}