Back to search

National and Kapodistrian University of Athens

Πρόβλεψη Κατανομής Θερμοκρασίας στην Παραγωγή Γυαλιού μέσω Τεχνητών Νευρωνικών Δικτύων

Abstract

dc:description

Τεχνητή Νοημοσύνη είναι ο κλάδος της Επιστήμης των Υπολογιστών που ασχολείται με τη σχεδίαση και υλοποίηση τεχνουργημάτων, σε λογισμικό ή υλικό, που επιδεικνύουν νοήμονα συμπεριφορά. Στο υπερσύνολο της τεχνητής νοημοσύνης, η μηχανική μάθηση εστιάζει σε αλγόριθμους που επιτρέπουν στους υπολογιστές να εκτελούν εργασίες χωρίς να έχουν απαραίτητα προγραμματιστεί, μαθαίνοντας από μοτίβα δεδομένων. Αναλυτικότερα, ένα υποσύνολο της μηχανικής μάθησης αποτελούν τα τεχνητά νευρωνικά δίκτυα, εμπνευσμένα και βασισμένα στη δομή του ανθρώπινου εγκεφάλου, τα οποία διαπρέπουν στην αναγνώριση πολύπλοκων προτύπων και στην πραγματοποίηση προβλέψεων χωρίς να απαιτούνται προκαθορισμένες οδηγίες. Τα μοντέλα-προσομοιωτές ανώτερης τάξης χρησιμοποιούνται παραδοσιακά για την εκτίμηση πολύπλοκων υπολογισμών και προσομοιώσεων σε διάφορα επιστημονικά πεδία, συμπεριλαμβανομένης της παραγωγής γυαλιού. Αυτά τα μοντέλα εκτιμούν την κατανομή της θερμοκρασίας σε όλο το μήκος του γυαλιού καθώς αυτό κινείται μέσα στη γραμμή παραγωγής, από τον κλίβανο στις ζώνες ψύξης. Παρά την ακρίβειά τους παρουσιάζουν σημαντικά μειονεκτήματα, όπως υψηλό υπολογιστικό αλλά και χρονικό κόστος. Καθώς η πολυπλοκότητα της διαδικασίας παραγωγής γυαλιού αυξάνεται, οι περιορισμοί αυτών των μοντέλων γίνονται πιο έντονοι. Τα παρένθετα μοντέλα δημιουργημένα με τεχνητά νευρωνικά δίκτυα προσφέρουν μια σημαντική εναλλακτική λύση στους προσομοιωτές ανώτερης τάξης χάρη στην ικανότητά τους να χειρίζονται μεγάλα σύνολα δεδομένων αλλά και πολύπλοκα πολυδιάστατα προβλήματα. Στο πλαίσιο της παραγωγής γυαλιού, τα παρένθετα μοντέλα μπορούν να προβλέψουν την κατανομή θερμοκρασίας πιο αποτελεσματικά από τα παραδοσιακά μοντέλα. Η διαδικασία περιλαμβάνει εκπαίδευση του τεχνητού νευρωνικού δικτύου με πραγματικά δεδομένα από τη γραμμή παραγωγής, συμπεριλαμβανομένων των θερμοκρασιών που έχουν μετρηθεί σε διαφορετικά σημεία κατά μήκος του γυαλιού καθώς αυτό διέρχεται από τις ζώνες ψύξης. Αυτή η προσέγγιση βάσει δεδομένων επιτρέπει στο νευρωνικό δίκτυο να πραγματοποιήσει ακριβείς προβλέψεις χρησιμοποιώντας σημαντικά λιγότερους πόρους και απαιτώντας λιγότερο χρόνο. Τα τεχνητά νευρωνικά δίκτυα που χρησιμοποιήθηκαν σε αυτή τη διπλωματική εργασία σχεδιάστηκαν ώστε να προσπαθήσουν να προσομοιώσουν την κατανομή θερμοκρασίας κατά μήκος του γυαλιού όταν αυτό περνάει μέσα από τις ζώνες ψύξης, μειώνοντας με αυτόν τον τρόπο τη θερμοκρασία του. Το μοντέλο εκπαιδεύεται χρησιμοποιώντας πραγματικές μετρήσεις από τη γραμμή παραγωγής, όπως η θερμοκρασία σε διαφορετικές θέσεις στην επιφάνεια του γυαλιού αλλά και μετρικές σχετικές με τους περιβαλλοντικούς παράγοντες, όπως η ταχύτητα του αέρα. Με αυτόν τον τρόπο, το τεχνητό νευρωνικό δίκτυο «μαθαίνει» να προβλέπει τη θερμοκρασία σε κάθε σημείο κατά μήκος του γυαλιού με υψηλή ακρίβεια. Η δομή του μοντέλου αποτελείται από πολλαπλά στρώματα νευρώνων, όπου κάθε στρώμα εκτελεί σύνθετους μετασχηματισμούς στα δεδομένα εισόδου. Η διαδικασία εκπαίδευσης περιλαμβάνει την προσαρμογή των βαρών αυτών των νευρώνων έτσι ώστε να ελαχιστοποιηθεί η απόκλιση ανάμεσα στην προβλεπόμενη και την πραγματική θερμοκρασία. Χρησιμοποιήθηκαν τεχνικές όπως το Principal Component Analysis (PCA) για τη βελτιστοποίηση των δεδομένων πριν την τροφοδοσία/είσοδό τους στο νευρωνικό δίκτυο, βελτιώνοντας την απόδοση και μειώνοντας την κατανάλωση υπολογιστικών πόρων. Τα μοντέλο των τεχνητών νευρωνικών δικτύων έδειξε σημαντικές βελτιώσεις σε σχέση με τα παραδοσιακά μοντέλα. Προέβλεψε επιτυχώς την κατανομή θερμοκρασίας κατά μήκος του γυαλιού με υψηλή ακρίβεια, ενώ μείωσε τους απαιτούμενους υπολογιστικούς πόρους και τον χρόνο που απαιτείται για την ολοκλήρωση της εκτέλεσής του. Αυτή η αποτελεσματικότητα μειώνει το κόστος παραγωγής και επιτρέπει ταχύτερες προσαρμογές κατά τη διαδικασία παραγωγής, οδηγώντας σε προϊόντα υψηλότερης ποιότητας και συνοχής. Η αντικατάσταση των προσομοιωτών με παρένθετα μοντέλα σε γραμμές παραγωγής γυαλιού, ειδικά σχετικά με την πρόβλεψη βέλτιστων θερμοκρασιών, προσφέρει μια λύση με υψηλά υποσχόμενες δυνατότητες στους περιορισμούς των παραδοσιακών μοντέλων. Τα τεχνητά νευρωνικά δίκτυα παρέχουν την επεκτασιμότητα, την προσαρμοστικότητα και την αποτελεσματικότητα που απαιτούνται για σύγχρονα περιβάλλοντα παραγωγής, καθιστώντας τα μια ιδανική επιλογή για βιομηχανίες που αναζητούν τη βελτιστοποίηση της διαδικασίας παραγωγής ως προς το ύψος κόστους.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Βαλλιανάτος Γεράσιμος
  • Vallianatos Gerasimos

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek, English

Identifiers

dc:identifier.*
Identifier
uoadl:3465721

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Βαλλιανάτος Γεράσιμος; Vallianatos Gerasimos. Πρόβλεψη Κατανομής Θερμοκρασίας στην Παραγωγή Γυαλιού μέσω Τεχνητών Νευρωνικών Δικτύων. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/3465721