BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250617T092304Z
LAST-MODIFIED:20250617T092304Z
DTSTAMP:20260910T004158Z
UID:1788990118@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Άγγελου Συκιώτη, Σχολή ΜΗΧΟΠ
LOCATION:Εξ αποστάσεως - Με τηλεδιάσκεψη
DESCRIPTION:https://www.mred.tuc.gr/el/nea/paroy
 siaseis?tx_tucevents2_tuceventsdispl
 ay%5Baction%5D=show&tx_tucevents2_tu
 ceventsdisplay%5Bcontroller%5D=Event
 &tx_tucevents2_tuceventsdisplay%5Bev
 ent%5D=7766&cHash=04a93284d3c5821601
 8846a5152124f0\nΤίτλος εργασίας: Επε
 ξεργασία και ερμηνεία γεωφυσικών δεδ
 ομένων με τεχνικές μηχανικής μάθησης
 .\n  \n Τριμελής εξεταστική επιτροπή
 :\n 1. Aντώνης Βαφείδης, καθηγητής Μ
 ΗΧΟΠ (Επιβλέπων)\n 2. Μιχαήλ Γαλετάκ
 ης, καθηγητής σχολής ΜΗΧΟΠ\n 3. Εμμα
 νουήλ Βαρουχάκης, επικ. καθηγητής ΜΗ
 ΧΟΠ\n  \n Περίληψη\n Η παρούσα διπλω
 ματική εργασία εξετάζει τη χρήση της
  βαθιάς μηχανικής μάθησης (deep lear
 ning) σε γεωφυσικές μεθόδους αντιστρ
 οφής για να βοηθήσει και να αναδείξε
 ι τις παραδοσιακές μεθόδους.\n Οι γε
 ωφυσικές μέθοδοι αναπτύχθηκαν για τη
 ν αναζήτηση ορυκτών πρώτων υλών στο 
 υπέδαφος. Χρησιμοποιούνται μέθοδοι ό
 πως οι αερομεταφερόμενες ηλεκτρομαγν
 ητικές (AEM) και το γεωραντάρ (GPR),
  αλλά και η τρισδιάστατη ηλεκτρική τ
 ομογραφία αντίστασης (3D ERT). Όμως,
  οι παραδοσιακές τεχνικές συχνά αντι
 μετωπίζουν προβλήματα όπως ο τεράστι
 ος όγκος δεδομένων, θόρυβος που αποπ
 ροσανατολίζει τα σήματα, ελλείψεις σ
 ε πληροφορίες και υπολογιστές που δε
 ν ανταποκρίνονται. Εκεί μπαίνει η βα
 θιά μάθηση, όχι απλά για να μειώσει 
 τον χρόνο συλλογής και επεξεργασίας 
 δεδομένων, αλλά για να αλλάξει εντελ
 ώς τον τρόπο που βλέπουμε τις έρευνε
 ς στο μέλλον. Με τα νευρωνικά δίκτυα
 , ειδικά αυτά που δουλεύουν με βάση 
 τη φυσική, οι επιστήμονες μπορούν να
  βγάλουν πιο ξεκάθαρα, γρήγορα και έ
 μπιστα συμπεράσματα, ανοίγοντας νέου
 ς δρόμους στην γεωφυσική έρευνα.\n Γ
 ια παράδειγμα, μοντέλα σαν το Physic
 s-Guided Neural Network (PGNN) χειρί
 ζονται τεράστιους όγκους δεδομένων π
 ου παλιότερα απαιτούσαν μεγάλη υπολο
 γιστική ισχύ, συνδυάζοντας έξυπνα το
 υς νόμους της φυσικής με ό,τι μαθαίν
 ουν από τα δεδομένα για να χαρτογραφ
 ήσουν την ηλεκτρική αγωγιμότητα του 
 υπεδάφους με απίστευτη ακρίβεια. Στο
  GPR, δίκτυα όπως το DeepLabV3+ εκτι
 μούν ηλεκτρικές ιδιότητες σε δευτερό
 λεπτα, κάνοντας μια διαδικασία που κ
 άποτε έπαιρνε ώρες στιγμιαία. Όσο γι
 α την αντιστροφή δεδομένων βαρύτητας
 , η βαθιά μάθηση μας βοηθά να εντοπί
 σουμε γεωθερμικά πεδία (όπως στη λεκ
 άνη Gonghe) εντοπίζοντας πηγές ενέργ
 ειας με τρόπο που οι παραδοσιακές μέ
 θοδοι θα χρειάζονταν χρόνια να το πε
 τύχουν. Στην τρισδιάστατη ηλεκτρική 
 τομογραφία (3D ERT), παρουσιάζεται έ
 νας αλγόριθμος αντιστροφής, όπου χρη
 σιμοποιώντας την τεχνική "εξαγωγής χ
 αρακτηριστικών γειτονίας" μαζί με έν
 α τρισδιάστατο νευρωνικό δίκτυο τύπο
 υ U-Net, φτιάχνει ακριβή μοντέλα του
  υπεδάφους. Όλα αυτά δεν είναι απλώς
  βελτιώσεις αλλά νέα εργαλεία στην ε
 ξερεύνηση πόρων, την περιβαλλοντική 
 παρακολούθηση αλλά και την πρόβλεψη 
 φυσικών καταστροφών.\n Λέξεις κλειδι
 ά: Γεωφυσικές Μέθοδοι, Αντιστροφή δε
 δομένων, Μοντελοποίηση, Μηχανική Μάθ
 ηση, Νευρωνικά δίκτυα\n Λέξεις κλειδ
 ιά: Geophysical methods, Data Invers
 ion, Modelling, Deep Learning, Neura
 l Networks.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250624T110000
DTEND:20250624T120000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR