Start Date: October 21, 2025
Emmanouella Makrymanolaki
This doctoral research focuses on the development and application of advanced machine learning methods for computational mechanics, with particular emphasis on aeroelasticity. The main objective is to exploit Physics-Informed Neural Networks (PINNs) and related hybrid approaches to efficiently solve differential equations governing complex physical systems. By integrating rigorous mathematical modeling with artificial intelligence techniques, the research aims to improve the accuracy, computational efficiency, and predictive capabilities of engineering simulations. The expected outcomes include novel methodologies for physics-based learning, enhanced simulation frameworks for aeroelastic problems, and broader adoption of AI-driven approaches in computational engineering. The project contributes to the growing field of scientific machine learning and supports the development of reliable, data-efficient tools for complex engineering applications.
Η διδακτορική έρευνα εστιάζει στην ανάπτυξη και εφαρμογή προηγμένων μεθόδων μηχανικής μάθησης για προβλήματα υπολογιστικής μηχανικής, με ιδιαίτερη έμφαση στην αεροελαστικότητα. Στόχος είναι η αξιοποίηση Physics-Informed Neural Networks (PINNs) και συναφών υβριδικών προσεγγίσεων για την αποτελεσματική επίλυση διαφορικών εξισώσεων που περιγράφουν πολύπλοκα φυσικά φαινόμενα. Η έρευνα επιδιώκει να συνδυάσει τη μαθηματική αυστηρότητα με τεχνικές τεχνητής νοημοσύνης, ώστε να βελτιωθεί η ακρίβεια, η υπολογιστική αποδοτικότητα και η δυνατότητα γενίκευσης των προσομοιώσεων. Τα αποτελέσματα αναμένεται να συμβάλουν στην ανάπτυξη νέων εργαλείων για εφαρμογές μηχανικής υψηλής πολυπλοκότητας και στη διεύρυνση της χρήσης μεθόδων AI στην υπολογιστική επιστήμη.