Η μηχανική μάθηση είναι κλάδος της τεχνητής νοημοσύνης και αποτελεί ένα πολύ ισχυρό εργαλείο για την μετατροπή της πληροφορίας σε γνώση. Οι αλγόριθμοι μηχανικής μάθησης μαθαίνουν από δεδομένα και μπορούν να κάνουν προβλέψεις για νέα δεδομένα με μεγάλη ακρίβεια και ταχύτητα, χωρίς να έχουν μεγάλο υπολογιστικό κόστος. Τα τελευταία χρόνια, με την αύξηση του όγκου των δεδομένων από διαθέσιμες αναλύσεις και πειράματα, η εφαρμογή τους σε προβλήματα πολιτικού μηχανικού αυξάνεται όλο και περισσότερο. Στη βιβλιογραφία έχουν βρεθεί αναφορές για την χρήση τους σε προβλήματα δομοστατικά, γεωτεχνικά, συγκοινωνιολογικά, αντισεισμικά, καθώς και υδραυλικά.  

Ο κύριος λόγος της χρήσης τεχνικών μηχανικής μάθησης από μηχανικούς είναι η αναζήτηση εναλλακτικών λύσεων για την αποφυγή αναλύσεων με μεγάλο υπολογιστικό κόστος, όπως είναι για παράδειγμα οι αναλύσεις με πεπερασμένα στοιχεία. Για να μπορεί όμως ένα μοντέλο να θεωρηθεί αξιόπιστο πρέπει τα δεδομένα εκπαίδευσης να αντιπροσωπεύουν ικανοποιητικά το μελετούμενο πρόβλημα. Συνεπώς, το σημαντικότερο στάδιο κατά την ανάπτυξη μοντέλων μηχανικής μάθησης είναι η προετοιμασία των δεδομένων εκπαίδευσης και η εύρεση των κατάλληλων παραμέτρων που χαρακτηρίζουν το μελετούμενο πρόβλημα. Ένα κατάλληλα εκπαιδευμένο μοντέλο είναι σε θέση να κάνει προβλέψεις με μεγάλη ακρίβεια για καινούρια δεδομένα που βρίσκονται στο εύρος τιμών που έχει εκπαιδευτεί.  

Το αντικείμενο της παρούσας εργασίας είναι η διερεύνηση της χρήσης αλγορίθμων μηχανικής μάθησης σε προβλήματα αντισεισμικής μηχανικής, και συγκεκριμένα σε προβλήματα λικνιζόμενων σωμάτων. Το φαινόμενο του λικνισμού των ελεύθερα εδραζόμενων σωμάτων υπό σεισμική διέγερση αποτελεί αντικείμενο μελέτης διαφόρων ερευνητών στον κλάδο της αντισεισμικής μηχανικής. Ο λικνισμός, είτε εκδηλώνεται ως ανασήκωμα από την βάση έδρασης και περιστροφή περί των δυο γωνιακών σημείων, είτε ως περιστροφική κίνηση πεδίλου θεμελίωσης πάνω στο έδαφος, θεωρείται μια αποτελεσματική και χαμηλού κόστους μέθοδος σεισμικής μόνωσης.  

Στην παρούσα μεταπτυχιακή εργασία έχουν αναπτυχθεί διάφορα μοντέλα επιτηρούμενης μάθησης για προβλήματα ταξινόμησης και παλινδρόμησης, με σκοπό να προβλέψουν με ακρίβεια την σεισμική απόκριση άκαμπτων σωμάτων υπό διεγέρσεις παλμών ημιτόνου. Η εξίσωση κίνησης άκαμπτων σωμάτων με διαφορετικά γεωμετρικά χαρακτηριστικά και υπό διαφορετικά χαρακτηριστικά διέγερσης έχει λυθεί με την χρήση του λογισμικού MATLAB. Στη συνέχεια, τα μοντέλα παλινδρόμησης εκπαιδεύτηκαν με σκοπό να προβλέψουν τη γωνία περιστροφής λικνιζόμενων σωμάτων. Τα μοντέλα ταξινόμησης χρησιμοποιήθηκαν για να ταξινομήσουν τα λικνιζόμενα σώματα σε κατηγορίες, όπως ανατροπή χωρίς κρούση, ανατροπή με κρούση ή ασφαλής λικνισμός. Συγκρίθηκαν οι αποδόσεις των αλγορίθμων. Η μελέτη επεκτάθηκε σε άκαμπτα σώματα που υποβάλλονται σε σεισμούς κοντινού πεδίου, εφαρμόζοντας τον αλγόριθμο ταξινόμησης με την καλύτερη απόδοση.

 Το κεφάλαιο 1 αποτελεί μια σύντομη εισαγωγή όπου γίνεται μια αναφορά στη χρήση μεθόδων μηχανικής μάθησης από μηχανικούς και παρουσιάζεται το πρόβλημα που μελετάται στην εν λόγω εργασία.

Στο κεφάλαιο 2 αναφέρονται τα θεωρητικά στοιχεία των αλγορίθμων που χουν﷽﷽﷽﷽﷽﷽ αλγορικφ΄έιάαι συγκρήηρ βιβλιογραφέχουν εφαρμοστεί. Συγκεκριμένα, οι αλγόριθμοι support vector machines, k-nearest neighbors, random forest έχουν χρησιμοποιηθεί σε προβλήματα ταξινόμησης και οι support vector regression, Gaussian process regression και random forest σε προβλήματα παλινδρόμησης. Αναλύονται επίσης θέματα όπως η εκτίμηση σφάλματος ενός μοντέλου, η αξιολόγηση της ικανότητας γενίκευσης του σε νέα δεδομένα, η μέθοδος σταυρωτής αξιολόγησης, η βελτιστοποίηση υπερ-παραμέτρων των αλγορίθμων κατά Bayes καθz και οι ﷽ian process regression z και οι ﷽ian process regression ώς και οι μετρικές αξιολόγησης μοντέλων.

Στο κεφάλαιο 3, περιγράφονται οι μορφές απόκρισης ελεύθερα εδραζόμενου σώματος υπό σεισμική διέγερση. Συγκεκριμένα, γίνεται αναφορά στην ολίσθηση, στο ανασήκωμα από τη βάση και στον λικνισμό. Αναλύεται το φαινόμενο του λικνισμού και παρουσιάζεται η εξίσωση κίνησης λικνιζόμενου σώματος υπό σεισμικ ﷽﷽﷽﷽﷽﷽﷽﷽ικς διεγέ ολίσθηση, στοan process regression ή διέγερση. Αναφέρονται οι τρόποι ανατροπής λικνιζόμενων σωμάτων, ανατροπή με ή χωρίς κρούση.

Στο κεφάλαιο 4, παρουσιάζεται η μεθοδολογία και η εφαρμογή των αλγορίθμων μηχανικής μάθησης σε λικνιζόμενα σώματα υπό παλμούς ημιτόνου. Αρχικά, αναφέρεται η προετοιμασία των δεδομένων εκπαίδευσης για ταξινόμηση και παλινδρόμηση, ο καθορισμός των δεδομένων εισόδου και εξόδου και η κατηγοριοποίηση τους. Παρουσιάζονται οι αλγόριθμοι ταξινόμησης που χρησιμοποιήθηκαν για την ταξινόμηση των λικνιζόμενων σωμάτων σε δυο και σε τρεις κατηγορίες ανάλογα με την απόκριση τους. Για κάθε αλγόριθμο παρουσιάζεται η διαδικασία της βελτιστοποίησης των υπερ-παραμέτρων, οι βέλτιστες τιμές τους και η απόδοση του μοντέλου μετά την εκπαίδευση. Συγκρίνονται και σχολιάζονται οι αποδόσεις των μοντέλων ταξινόμησης. Στη συνέχεια, παρουσιάζονται τα μοντέλα παλινδρόμησης με παρόμοιο τρόπο με την προηγούμενη περίπτωση και συγκρίνονται οι αποδόσεις τους. Σε προβλήματα ταξινόμησης ο αλγόριθμος support vector machines έχει την καλύτερη απόδοση. Ενώ στην παλινδρόμηση, ο αλγόριθμος Gaussian process regression κάνει τις καλύτερες προβλέψεις.

Στο κεφάλαιο 5, παρουσιάζεται η εφαρμογή του αλγορίθμου Gaussian process regression και random forest σε άκαμπτα σώματα που υποβάλλονται σε σεισμούς κοντινού πεδίου. Αρχικά, αναφέρεται η διαδικασία προετοιμασίας των δεδομένων εκπαίδευσης, κάνοντας μια σύντομη αναφορά στη μετατροπή καταγραφών σε παλμούς Μαυροειδή και Παπαγεωργίου. Γίνεται η επιλογή των δεδομένων εισόδου. Παρουσιάζεται η προετοιμασία και η απόδοση του μοντέλου παλινδρόμησης. Στη συνέχεια, εφαρμόζεται ο αλγόριθμος random forest με σκοπό την εκτίμηση της σημασίας των δεδομένων εισόδου στη διαδικασία πρόβλεψης του αλγορίθμου.

Στο κεφάλαιο 6, γίνεται ο τελικός σχολιασμός των αποτελεσμάτων και παρουσιάζονται ιδέες για μελλοντική έρευνα.