Το θέμα της διπλωματικής εργασίας είναι η σεισμική αποτίμηση και ο ανασχεδιασμός υφιστάμενου κτιρίου με παράλληλη διερεύνηση εφαρμογής της τεχνητής νοημοσύνης και μηχανικής μάθησης.  Σε συνδυασμό με την πρακτική αξία της σεισμικής αποτίμησης και του ανασχεδιασμού ενός υφιστάμενου κτιρίου, η εργασία αποσκοπεί στο να εξάγει χρήσιμα συμπεράσματα στο πεδίο της αντισεισμικής μηχανικής λαμβάνοντας στοιχεία από το σύγχρονο και διαρκώς εξελισσόμενο πεδίο της τεχνητής νοημοσύνης και μηχανικής μάθησης, το οποίο έχει εφαρμογή σε πολλούς και ποικίλους τομείς, συμπεριλαμβανομένου και του τομέα του Πολιτικού Μηχανικού.

Η μεθοδολογία εκπόνησης της διπλωματικής εργασίας συνίσταται σε βιβλιογραφική επισκόπηση, μελέτη περίπτωσης σεισμικής αποτίμησης και ανασχεδιασμού υφιστάμενου κτιρίου από οπλισμένο σκυρόδεμα με χρήση λογισμικού πεπερασμένων στοιχείων, ανάπτυξη κώδικα σε γλώσσα προγραμματισμού Python με διερεύνηση της εφαρμογής του στον σεισμικό σχεδιασμό, στην αποτίμηση και τον ανασχεδιασμό κτιριακών κατασκευών αναφορικά με την τεχνητή νοημοσύνη και μηχανική μάθηση και τέλος, ανάλυση και ερμηνεία των αποτελεσμάτων για την εξαγωγή των συμπερασμάτων της εργασίας.

Η αποτίμηση του υφιστάμενου κτιρίου πραγματοποιήθηκε σύμφωνα με τον Ευρωκώδικα 8-3, με ανελαστικές στατικές αναλύσεις (pushover).  Για τον ανασχεδιασμό του κτιρίου επιλέχθηκε η στρατηγική ενίσχυσης της αντοχής και αύξησης της δυσκαμψίας του με μανδύες οπλισμένου σκυροδέματος και άλλες τοπικές επεμβάσεις.  Το ανασχεδιασμένο κτίριο ελέγχθηκε με επιτυχία τόσο με αναλύσεις pushover όσο και με μη γραμμικές δυναμικές αναλύσεις χρονοϊοστορίας.

Η μελέτη περίπτωσης εφαρμογής της τεχνητής  νοημοσύνης και μηχανικής μάθησης διερευνά τον προσδιορισμό των δυναμικών χαρακτηριστικών (π.χ. ιδιοπεριόδων) ενός μοντέλου τρισδιάστατης πλαισιακής κατασκευής.  Το γενικό συμπέρασμα που προέκυψε από την διερεύνηση ήταν ότι το μοντέλο μπορεί να φανεί χρήσιμο για μία πρώτη εκτίμηση των ιδιοπεριόδων κατά το σχεδιασμό ενός νέου κτιρίου ή κατά την αποτίμηση και τον ανασχεδιασμό ενός υφιστάμενου κτιρίου με παρόμοια γεωμετρία και μάζα.

The subject of the dissertation is the seismic assessment and retrofitting of an existing building with the investigation of the application of artificial intelligence and machine learning.  Along with the practical value of seismic assessment and retrofitting of an existing building, the dissertation aims to draw valuable conclusions in the field of seismic engineering by taking input from the modern and ever-evolving field of artificial intelligence and machine learning, which has applications in many and various fields, including the field of Civil Engineering.

The methodology for preparing the dissertation consists of a literature review, a case study of seismic assessment and retrofitting of an existing reinforced concrete building using finite element software, code development in the Python programming language with an investigation of its application to seismic design, assessment and retrofitting of buildings as far as artificial intelligence and machine learning are concerned and finally, analysis and interpretation of results for the conclusions of the dissertation.

The seismic assessment of the existing building was carried out according to Eurocode

8-3, with inelastic static analyses (pushover).  For the retrofitting of the building, the strategy of increasing the strength and stiffness of the building with reinforced concrete jackets and other local interventions was opted.  The strengthened building was successfully tested with pushover and nonlinear dynamic time-history analyses.

The artificial intelligence and machine learning case study investigates the determination of the dynamic characteristics (i.e. periods) of a 3D frame structure model.  The general conclusion that emerged from the investigation was that the model could be helpful for a first estimation of the periods during the design of a new building or the seismic assessment and retrofitting of an existing building with similar geometry and mass.