Recurrent neural network based model discovery of nonlinear viscoelasticity

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: SAIM MASOOD

Danışman: Serdar Göktepe

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez, doğrusal olmayan viskoelastisite bağlamında otomatik model keşfi için yenilikçi bir çerçeve sunmaktadır. Çerçeve, gerekli fiziksel kısıtlamaları doğal olarak karşılayan bir gerilme güncelleme prosedürünü temsil eden bir tekrarlayan sinir ağı (RNN) modelinden yararlanmaktadır. Model, uygulanan deformasyonların ve sonuçta ortaya çıkan gerilmelerin zaman serilerini içeren veriler üzerinde eğitilmiştir. Parametre tanımlama için gradyan tabanlı optimizasyon kullanılmakta, gradyanlar bir tekrarlayan türev güncelleme algoritması aracılığıyla analitik olarak değerlendirilmektedir. Kayıp fonksiyonu iki terimden oluşmaktadır: Biri tahminlerin doğruluğunu ölçmekte, diğeri ise seyreklik sağlamaktadır. Seyreklik terimi, bazı öğrenilebilir parametrelerin sıfır olmasını teşvik ederek, az sayıda anlamlı parametreye sahip yorumlanabilir modellerin elde edilmesini sağlar. Çerçevenin, sentetik olarak üretilen veriler ve VHB 4910, HNBR50 polimerlerine ait deneysel veri kümeleri üzerinde yorumlanabilir seyrek modeller üretebilme yeteneğini gösterilmektedir. Çerçevenin daha fazla doğrulama ve uygulanabilirliği, HNBR50 polimerine ait deneysel veri kümesinden öğrenilen model kullanılarak yapılan bir sonlu eleman simülasyonu ile gösterilmektedir.