Supervised and reinforcement learning for the design and optimization of power transmission shafts
| datacite.contributor.RelatedPerson | Νικολακόπουλος, Παντελής | |
| datacite.contributor.RelatedPerson | Δερματάς, Ευάγγελος | |
| datacite.contributor.Supervisor | Φιλιππάτος, Άγγελος | |
| dc.contributor.author | Τζιουφέτας, Αθανάσιος | |
| dc.contributor.other | Tzioufetas, Athanasios | |
| dc.date.accessioned | 2026-03-05T06:44:16Z | |
| dc.date.available | 2026-03-05T06:44:16Z | |
| dc.date.issued | 2026-03-02 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | This diploma thesis focuses on the development and application of machine learning methods for the automated preliminary design of power transmission shafts equipped with mechanical components. Initially, a comprehensive supervised learning framework is developed, based on an extensive dataset generated through analytical mechanical calculations performed in a MATLAB environment. Each dataset entry corresponds to a distinct shaft configuration and includes operating parameters such as transmitted power, rotational speed, and material, as well as the presence of components such as pulleys, gears, sprockets, and bearings. Within the supervised learning framework, both regression and multi-class classification problems are addressed. Regression models are employed to predict key geometric characteristics of the shaft, namely its diameter and overall length, while classification models aim at the automatic selection of standardized mechanical component codes, including pulley, gear, sprockets and bearing codes, in accordance with catalog-based standards. For this purpose, different algorithmic families are examined and compared, including Random Forest, Support Vector Machine, and Multilayer Perceptron models, with their performance evaluated using established statistical metrics. Particular emphasis is placed on proper data preprocessing, the prevention of information leakage, and the achievement of reliable model generalization. Subsequently, the scope of the work is extended beyond predictive modeling through the introduction of reinforcement learning methods for active shaft design. Physics-based simulation environments are developed, incorporating fundamental equations of bending, torsion, equivalent stress, and deflection, allowing reinforcement learning agents to interact with mechanically consistent system representations. Through appropriately formulated reward functions, the agents learn to select shaft diameters and materials that simultaneously satisfy strength, stiffness, and efficiency criteria. The combined utilization of supervised and reinforcement learning highlights the potential for creating intelligent mechanical design tools that not only reproduce classical analytical design methods with high accuracy but also support the exploration of alternative and efficient design solutions across a wide range of operating conditions. | |
| dc.description.translatedabstract | Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη και εφαρμογή μεθόδων μηχανικής μάθησης για τον αυτοματοποιημένο προκαταρκτικό σχεδιασμό άξονα μετάδοσης κίνησης με ενσωματωμένα μηχανολογικά στοιχεία. Αρχικά, αναπτύσσεται ένα ολοκληρωμένο πλαίσιο επιβλεπόμενης μάθησης, το οποίο βασίζεται σε εκτενή βάση δεδομένων που έχει παραχθεί μέσω αναλυτικών μηχανολογικών υπολογισμών σε περιβάλλον MATLAB. Κάθε εγγραφή του συνόλου δεδομένων αντιστοιχεί σε μία διακριτή διαμόρφωση άξονα και περιλαμβάνει λειτουργικές παραμέτρους, όπως μεταδιδόμενη ισχύ, αριθμό στροφών και υλικό, καθώς και την παρουσία στοιχείων όπως τροχαλίες, γρανάζια, οδοντωτοί τροχοί και ρουλεμάν. Στο πλαίσιο της επιβλεπόμενης μάθησης, υλοποιούνται τόσο προβλήματα παλινδρόμησης όσο και προβλήματα πολυκατηγορικής ταξινόμησης. Τα μοντέλα παλινδρόμησης χρησιμοποιούνται για την πρόβλεψη βασικών γεωμετρικών χαρακτηριστικών του άξονα, συγκεκριμένα της διαμέτρου και του συνολικού μήκους, ενώ τα μοντέλα ταξινόμησης στοχεύουν στην αυτόματη επιλογή τυποποιημένων κωδικών μηχανολογικών στοιχείων, όπως κωδικοί τροχαλιών, γραναζιών, οδοντωτών τροχών και ρουλεμάν, σύμφωνα με καταλογοποιημένα πρότυπα. Για τον σκοπό αυτό εξετάζονται και συγκρίνονται διαφορετικές οικογένειες αλγορίθμων, όπως Random Forest, Support Vector Machine και Multilayer Perceptron, με αξιολόγηση της απόδοσής τους μέσω καθιερωμένων στατιστικών δεικτών. Ιδιαίτερη έμφαση δίνεται στη σωστή προεπεξεργασία των δεδομένων, στην αποφυγή διαρροής πληροφορίας και στη διασφάλιση αξιόπιστης γενίκευσης των μοντέλων. Στη συνέχεια, η εργασία επεκτείνεται πέρα από το πλαίσιο της πρόβλεψης, εισάγοντας μεθόδους ενισχυτικής μάθησης για τον ενεργό σχεδιασμό άξονα. Αναπτύσσονται περιβάλλοντα προσομοίωσης που ενσωματώνουν θεμελιώδεις εξισώσεις κάμψης, στρέψης, ισοδύναμων τάσεων και παραμορφώσεων, επιτρέποντας σε πράκτορες ενισχυτικής μάθησης να αλληλεπιδρούν με φυσικά συνεπείς μηχανικές αναπαραστάσεις. Μέσω κατάλληλων συναρτήσεων ανταμοιβής, οι πράκτορες μαθαίνουν να επιλέγουν διαμέτρους και υλικά που ικανοποιούν ταυτόχρονα κριτήρια αντοχής, ακαμψίας και αποδοτικότητας. Η συνδυαστική αξιοποίηση επιβλεπόμενης και ενισχυτικής μάθησης αναδεικνύει τη δυνατότητα δημιουργίας ευφυών εργαλείων μηχανολογικού σχεδιασμού, τα οποία όχι μόνο αναπαράγουν με υψηλή ακρίβεια τις κλασικές αναλυτικές μεθόδους, αλλά και υποστηρίζουν τη διερεύνηση εναλλακτικών, αποδοτικών σχεδιαστικών λύσεων σε ευρύ φάσμα λειτουργικών συνθηκών. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31623 | |
| dc.language.iso | en | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | |
| dc.subject | Supervised learning | |
| dc.subject | Reinforcement learning | |
| dc.subject | Shaft design | |
| dc.subject | Agents | |
| dc.subject | Optimization | |
| dc.subject.alternative | Επιβλεπόμενη μάθηση | |
| dc.subject.alternative | Ενισχυτική μάθηση | |
| dc.subject.alternative | Σχεδιασμός άξονα | |
| dc.subject.alternative | Πράκτορες | |
| dc.subject.alternative | Βελτιστοποίηση | |
| dc.title | Supervised and reinforcement learning for the design and optimization of power transmission shafts | |
| dc.title.alternative | Επιβλεπόμενη και ενισχυτική μάθηση για τον σχεδιασμό και τη βελτιστοποίηση αξόνων μετάδοσης ισχύος |