ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ημερομηνία: Δευτέρα, 6 Ιουλίου 2026, 11:30
Αίθουσα: Αίθουσα συνεδριάσεων ΜΠΔ

Ονοματεπώνυμο: ΜΠΕΝΝΤΑΪ ΣΑΡΑ

Θέμα: Μηχανική ανάλυση και  πρόβλεψη  αστοχίας μιας πολυστρωματικής σύνθετης πλάκας με ίνες γυαλιού (GFRP) μέσω πεπερασμένων στοιχείων και τεχνητής νοημοσύνης

Title: Mechanical analysis and failure prediction of a multilayered GFRP composite plate using finite elements and artificial intelligence

Εξεταστική Επιτροπή

• ΣΤΑΥΡΟΥΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Καθηγητής (επιβλέπων)
• ΑΛΕΥΡΑΣ ΠΑΝΑΓΙΩΤΗΣ, Επίκουρος Καθηγητής
• ΑΝΤΩΝΙΑΔΗΣ ΑΡΙΣΤΟΜΕΝΗΣ, Καθηγητής

Περίληψη

Η παρούσα διπλωματική εργασία ασχολείται με τη μηχανική ανάλυση και την πρόβλεψη της αστο- χίας μιας πολυστρωματικής πλάκας από σύνθετο υλικό ενισχυμένο με ίνες γυαλιού (GFRP). Για τον σκοπό αυτό συνδυάζονται αριθμητικές αναλύσεις με τη Μέθοδο των Πεπερασμένων Στοιχείων (Finite Element Method – FEM) και τεχνικές Τεχνητής Νοημοσύνης. Αρχικά παρουσιάζονται οι βασικές αρχές των σύνθετων υλικών, η μηχανική συμπεριφορά των πολυστρωματικών πλακών (lam- inates), οι ιδιότητες των ινών γυαλιού και οι κυριότεροι μηχανισμοί αστοχίας που εμφανίζονται στις κατασκευές αυτές. Στη συνέχεια αναπτύσσεται μοντέλο πεπερασμένων στοιχείων μιας σύνθετης πλάκας με διάταξη στρώσεων [0/45/-45/90]s, η οποία υποβάλλεται σε ομοιόμορφα κατανεμημένη πίεση. Πραγματοποιούνται τόσο γραμμικές όσο και μη γραμμικές αναλύσεις με στόχο τη διερεύνηση της μηχανικής απόκρισης και της εξέλιξης της βλάβης. Για την προσομοίωση της ενδοστρωματικής αστοχίας χρησιμοποιείται το κριτήριο Hashin, το οποίο επιτρέπει τη διάκριση μεταξύ αστοχίας των ινών και της μήτρας του σύνθετου υλικού. Παράλληλα, μεταξύ των στρώσεων εισάγονται συνεκτικές διεπιφάνειες (cohesive interfaces) για την προσομοίωση του φαινομένου της αποκόλλησης (delamina- tion). Με βάση τα αποτελέσματα των αναλύσεων δημιουργήθηκε σύνολο δεδομένων αποτελούμενο από 450 προσομοιώσεις, το οποίο χρησιμοποιήθηκε για την ανάπτυξη και εκπαίδευση Τεχνητών Νευρωνικών Δικτύων στο περιβάλλον MATLAB. Τα νευρωνικά δίκτυα εκπαιδεύτηκαν τόσο σε προβλήματα παλινδρόμησης όσο και ταξινόμησης, με στόχο την πρόβλεψη των μέγιστων τάσεων, της εμφάνισης αποκόλλησης, καθώς και της αστοχίας των ινών και της μήτρας. Τα αποτελέσματα έδειξαν ότι τα αναπτυγμένα μοντέλα μπορούν να προσεγγίσουν με πολύ υψηλή ακρίβεια τα αποτελέσματα των αναλύσεων πεπερασμένων στοιχείων. Παράλληλα, προσφέρουν σημαντική μείωση του απαιτούμενου υπολογιστικού χρόνου, καθώς παρέχουν προβλέψεις σχεδόν ακαριαία χωρίς την ανάγκη εκτέλεσης νέων χρονοβόρων προσομοιώσεων. Συνολικά, η εργασία αναδεικνύει ότι ο συνδυασμός της υπολο- γιστικής μηχανικής με τη μηχανική μάθηση αποτελεί ένα ιδιαίτερα αποτελεσματικό εργαλείο για τη γρήγορη και αξιόπιστη αξιολόγηση σύνθετων κατασκευών.

Abstract

This thesis addresses the mechanical analysis and failure prediction of a multilayer plate made of glass fiber reinforced polymer (GFRP) composite material. For this purpose, numerical analyses using the Finite Element Method (FEM) are combined with Artificial Intelligence techniques. Initially, the basic principles of composite materials, the mechanical behavior of multilayer plates (laminates), the properties of glass fibers, and the main failure mechanisms occurring in these structures are presented. Subsequently, a finite element model of a composite plate with a layup configuration of [0/45/-45/90]s, subjected to uniformly distributed pressure, is developed. Both linear and non-linear analyses are performed to investigate the mechanical response and damage evolution. For the simulation of intra-laminar failure, the Hashin criterion is used, which allows for the distinction between fiber failure and matrix failure of the composite material. At the same time, cohesive interfaces are introduced between the layers to simulate the phenomenon of delamination. Based on the results of the analyses, a dataset consisting of 450 simulations was created, which was used for the development and training of Artificial Neural Networks in the MATLAB environment. The neural networks were trained on both regression and classification problems, with the aim of predicting maximum stresses, the occurrence of delamination, as well as fiber and matrix failure. The results demonstrated that the developed models can approximate the finite element analysis results with very high accuracy. Concurrently, they offer a significant reduction in the required computational time, as they provide predictions almost instantaneously without the need to run new time-consuming simulations. Overall, the thesis highlights that the combination of computational mechanics with machine learning constitutes a highly effective tool for the rapid and reliable evaluation of composite structures.