{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3465721"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3465721","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη Κατανομής Θερμοκρασίας στην Παραγωγή Γυαλιού μέσω Τεχνητών Νευρωνικών Δικτύων","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Βαλλιανάτος Γεράσιμος","Vallianatos Gerasimos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:31:58Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3465721"],"render_values":[{"text":"uoadl:3465721","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3465721","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3465721","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%3A3465721","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βαλλιανάτος Γεράσιμος","Vallianatos Gerasimos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3465721","https://pergamos.lib.uoa.gr/uoa/dl/object/3465721"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Artificial Intelligence (AI) is the area of Computer Science that deals with the design and implementation of artifacts, via software or hardware, that perform intelligent behavior. Within AI, machine learning focuses on algorithms that allow computers to perform tasks without explicitly being programmed, by learning from data patterns. A critical subset of machine learning is artificial neural networks, inspired by the human brain's structure, which excel in recognizing complex patterns and making predictions without predefined instructions. Higher order models have traditionally been used to approximate complex calculations and simulations in various scientific fields, including glass production. These models estimate the distribution of temperature across the glass as it moves through the production line, from the furnace to the cooling zones. Despite their accuracy, higher models come with significant drawbacks, such as high computational costs and time inefficiency. As the complexity of the glass production process increases, the limitations of these models become more pronounced. Surrogate models created by using neural networks offer a powerful alternative to higher order models due to their ability to handle large datasets and complex, multi-dimensional problems. In the context of glass production, neural networks can predict temperature distributions more efficiently than traditional models. The process involves training the neural network with real data from the production line, including temperatures measured at various points along the glass as it passes through the cooling zones. This data-driven approach allows the neural network to make accurate predictions with significantly reduced computational resources and time. The neural network model used in this thesis is designed to simulate the temperature distribution along the glass during its cooling phase. The model is trained using real measurements from the production line, such as the temperature at different positions on the glass and environmental factors like air velocity. By doing so, the neural network learns to predict the temperature at every point along the glass with high precision. The model structure consists of multiple layers of neurons, where each layer performs complex transformations on the input data. The training process involves adjusting the weights of these neurons to minimize the difference between the predicted and actual temperatures. Techniques like Principal Component Analysis (PCA) are employed to optimize the data before feeding it into the neural network, enhancing its performance and reducing computational demands. The surrogate model demonstrated significant improvements over traditional models. It successfully predicted the temperature distribution along the glass with high accuracy while reducing the required computational resources and time. This efficiency not only lowers production costs but also allows for faster adjustments in the production process, leading to higher quality and more consistent glass products. Replacing higher order models with surrogate models in glass production lines, specifically for predicting optimal glass temperatures, offers a promising solution to the limitations of traditional models. Neural networks provide the scalability, adaptability, and efficiency required for modern production environments, making them an ideal choice for industries looking to optimize their processes and reduce costs."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη Κατανομής Θερμοκρασίας στην Παραγωγή Γυαλιού μέσω Τεχνητών Νευρωνικών Δικτύων"]}]}],"canonical_facts":{"dc:creator":["Βαλλιανάτος Γεράσιμος","Vallianatos Gerasimos"],"dc:date":["2025"],"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.","Artificial Intelligence (AI) is the area of Computer Science that deals with the design and implementation of artifacts, via software or hardware, that perform intelligent behavior. Within AI, machine learning focuses on algorithms that allow computers to perform tasks without explicitly being programmed, by learning from data patterns. A critical subset of machine learning is artificial neural networks, inspired by the human brain's structure, which excel in recognizing complex patterns and making predictions without predefined instructions. Higher order models have traditionally been used to approximate complex calculations and simulations in various scientific fields, including glass production. These models estimate the distribution of temperature across the glass as it moves through the production line, from the furnace to the cooling zones. Despite their accuracy, higher models come with significant drawbacks, such as high computational costs and time inefficiency. As the complexity of the glass production process increases, the limitations of these models become more pronounced. Surrogate models created by using neural networks offer a powerful alternative to higher order models due to their ability to handle large datasets and complex, multi-dimensional problems. In the context of glass production, neural networks can predict temperature distributions more efficiently than traditional models. The process involves training the neural network with real data from the production line, including temperatures measured at various points along the glass as it passes through the cooling zones. This data-driven approach allows the neural network to make accurate predictions with significantly reduced computational resources and time. The neural network model used in this thesis is designed to simulate the temperature distribution along the glass during its cooling phase. The model is trained using real measurements from the production line, such as the temperature at different positions on the glass and environmental factors like air velocity. By doing so, the neural network learns to predict the temperature at every point along the glass with high precision. The model structure consists of multiple layers of neurons, where each layer performs complex transformations on the input data. The training process involves adjusting the weights of these neurons to minimize the difference between the predicted and actual temperatures. Techniques like Principal Component Analysis (PCA) are employed to optimize the data before feeding it into the neural network, enhancing its performance and reducing computational demands. The surrogate model demonstrated significant improvements over traditional models. It successfully predicted the temperature distribution along the glass with high accuracy while reducing the required computational resources and time. This efficiency not only lowers production costs but also allows for faster adjustments in the production process, leading to higher quality and more consistent glass products. Replacing higher order models with surrogate models in glass production lines, specifically for predicting optimal glass temperatures, offers a promising solution to the limitations of traditional models. Neural networks provide the scalability, adaptability, and efficiency required for modern production environments, making them an ideal choice for industries looking to optimize their processes and reduce costs."],"dc:identifier":["uoadl:3465721","https://pergamos.lib.uoa.gr/uoa/dl/object/3465721"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Πρόβλεψη Κατανομής Θερμοκρασίας στην Παραγωγή Γυαλιού μέσω Τεχνητών Νευρωνικών Δικτύων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:58Z"}