ويعود مجال التعلم العميق بسرعة إلى إعادة تشكيل المشهد الهندسي، وتأثيره على التصاميم الهيكلية والتصميم الطبوغرافية عميقاً، وقد سعت المهندسات منذ وقت طويل إلى إيجاد أساليب حاسوبية لاكتشاف هياكل ذات وزن خفيف، قوية وفعالة من حيث التكلفة، وقد أدت التقنيات التقليدية المتكررة مثل تحليل العناصر النهائية والتصميم الأمثل للطوائف القائمة على التدرج إلى نجاح كبير، ولكنها كثيراً ما تتطلب موارد حساسة ونماذج مبتكرة.

رأس المال الحالي للتعلم العميق في التصميم الهيكلي

ويجري بالفعل نشر التعلم العميق عبر مراحل متعددة من تدفق العمل في مجال التصميم الهيكلي، وبدلا من الاستعاضة عن الأساليب المتبعة، تعزز هذه النماذج هذه النماذج هذه، مما يتيح سرعة وتيرة الحلول غير التقليدية واكتشافها.

النماذج الافتراضية والنماذج البديلة

ومن أكثر التطبيقات نضجاً استخدام شبكات عصبية عميقة كنموذج بديل، حيث يمكن للمهندسين أن يحصلوا على التنبؤات ذات الأهمية القصوى للإجهاد والتشريد وطرائق التوزيع المفاجئة لنموذجات جديدة مصممة على أساس التكوينات الافتراضية، على أساس وجود شبكة من النماذج الافتراضية العالية التي يمكن أن تكون موضع تقييم سريع، على أساس وجود ثلاثة نماذج للتصميمات الافتراضية، وعلى أساس نماذج الإجهاد.

التصميم المتجانس والتأهيل في مجال علم الطبقات

وقد أظهرت نظم التصميم المولدة للقوى التي تقترح أعلىيات هيكلية من الخدش، بدلاً من الاعتماد فقط على الترميز القائم على التدرج من تخمين أولي معين، فإن أجهزة الترميز والشبكات السخية للتنوع تتعلم الحيز الخفي للهياكل ذات الأداء العالي، ويمكنها عندئذ أن تختبر المساحة لإنتاج قياسات هندسية جديدة وناقلة تلبي قيوداً محددة على الحجم والثروة.

نموذج المواد الـ ديريفين

فالتصنيع الهيكلي يقيده في الأساس سلوك مادي، فالتعلُّم العميق يُعزِّز نمذجة المواد المعقدة - المواد الجاهزة، وهياكل التكيُّف، والميثامتيريات المعمارية، وبدلاً من استخدام القوانين التأسيسية المغلقة، يمكن للشبكات العصبية أن تتعلم علاقات إجهاد فعالة من محاكاة الهياكل الأساسية أو بيانات تجريبية، مما يتيح تحقيق التفاؤل في مجال الطبقات الأساسية التي تُعدية.

Emerging Technologies Shaping the Future

وتتجه عدة تطورات متطورة إلى تعميق إدماج التعلم العميق في التعظيم الهيكلي على مدى السنوات الخمس إلى العشر القادمة.

تعزيز التعلم للهياكل التكيفية

ويتيح التعلُّم في مجال الإنفاذ إطاراً طبيعياً لتصميم هياكل يمكن أن تتكيف مع التحميلات أو البيئات المتغيرة، وفي إطار إنشاءات لشبكة RL، يتعلم أحد العوامل سياسة تعديل الطبقات الهيكلية أو أحجام الأعضاء استناداً إلى إشارة مكافئة، مثل التقليل إلى أدنى حد من الكتلة مع الحفاظ على عوامل السلامة، وقد تبين من البحوث المبكرة أن وكلاء نظم الترميز القائمة على أساس ثنائي يمكن أن يكتشفوا أفضل من الأساليب التقليدية للتحلل في المستقبل.

شبكات الظواهر العصبية المُطلعة على الفيزياء

ونظراً لأن نماذج التعلم العميق القياسية تتطلب في كثير من الأحيان كميات كبيرة من البيانات المسمومة، التي يمكن أن تكون شحيحة في الهندسة، فإن الشبكات العصبية المزودة بالمعلومات الفيزيائية تعالج ذلك بإدراج معادلة مادية (مثلاً، التوازن، التوافق، العلاقات التأسيسية) في وظيفة الخسارة، كما أن القدرة على الاستمرار في التكيُّف الهيكلي، يمكن تدريب نظم المعلومات الأساسية على تحسين مجال التشرد لأية عوامل تكيفية متفاوتة.

التكامل مع التوائم الرقمية

ويُعدّ هذا النوع من أنواع التعليم العالي نموذجاً عملياً للهياكل المادية - وهو يُحدث مسارات مستمرة من بيانات الاستشعار (الاستعراض، والهزاز، ودرجة الحرارة) ويمكن تدريب نماذج التعلم العميق على هذه البيانات للتنبؤ ببقايا الحياة المفيدة، والكشف عن الأضرار، واقتراح تعديلات على الطبقات التصحيحية، وعندما يقترن ذلك بتفاؤل، يصبح التوام الرقمي نظاماً مغلقاً:

تحقيق الاستخدام الأمثل المتعدد الجوانب والمتعدد المستويات

وتشتمل مشاكل التصميم في العالم الحقيقي على أهداف متنافسة: التقليل إلى أدنى حد من الوزن، مع زيادة السعة، والتكلفة، والاستدامة، والعمر الدهني، والتفوق في التعليم في الجبهات التي تتعلمها جامعة بريتو من البيانات العالية الأبعاد، ويمكن تدريب شبكة واحدة من المواقع الجغرافية على إنتاج المجموعة الكاملة من التضاريس المثلى لمجموعة من الأوزان الموضوعية، مما يتيح للمهندسين استكشاف التفاعلي.

العوائق المقبلة أمام التبني

وعلى الرغم من وعدها، فإن الاستخدام الواسع النطاق للتعلم العميق في مجال التفسير الهيكلي يواجه عقبات كبيرة، ولا بد من التصدي لها لبناء الثقة وضمان الانتشار الآمن في الصناعات الحساسة من قبيل الهندسة المدنية والفضاء الجوي والسيارات.

نوعية البيانات ومدى توافرها

كما أن نماذج التعلم العميقة تتوق إلى الحصول على بيانات عالية الجودة، وتسمي مجموعات البيانات الهيكلية تظل شحيحة، إذ إن توليد آلاف من محاكاة العناصر المحددة ذات القيمة العالية للتدريب يمكن أن يكون باهظ التكلفة، حتى مع استخدام الحاسوب السحابي، وعلاوة على ذلك، قد لا تكون البيانات المستمدة من مصادر مختلفة متجانسة في التنظيف أو الظروف الحدودية أو التعاريف المادية، ويتمثل أحد الحلول في استخدام التعلم في مجال النقل، حيث يجري نموذج متدرب مسبقاً على مجموعة بيانات عامة (eg).

الترجمة الشفوية والثقة

ويحتاج المهندسون والمنظمون إلى فهم why] a deep learning model proposes a particular topology. Black-box models raise concerns about expected failure modes or hidden biases in the training data. Interpretability techniques such as saliency maps, SHAP values, and concept activation vectors -can assist which geometric features

التقييم والتصديق

فكيف سنشهد على هيكل مصمم بنموذج للتعلم العميق؟ إن المعايير الهندسية الحالية )مثلا، الأوربود، ووكالة الفضاء الأوروبية، والمبادئ التوجيهية لوكالة الفضاء الأوروبية( تستند إلى تحليل محدد وافتراضات لأسوأ الحالات، وقد لا تكون التصميمات التي تنتج أجساما غير مقصودة مناسبة في أطر التثبت القائمة، ومن ثم فإن النهج العملي هو استخدام التعلم العميق لأغراض استكشاف العناصر التصميمية والتحقق من صحة النواتج النهائية.

الاحتياجات من الموارد الحاسوبية

كما أن نماذج التعليم العالي التي تستخدم في أحدث التقنيات من أجل تحقيق الاستخدام الأمثل لعلم الطبقات الثلاثية الأبعاد تتطلب قدراً كبيراً من الذاكرة في قطاع السلع الأساسية والأيام التي تستغرق وقتاً طويلاً في المعدات العالية التدريب، مما يخلق حاجزاً أمام الشركات الصغيرة أو المختبرات الأكاديمية، غير أن الاتجاه نحو الإجهاد النموذجي، والهيكلات الفعالة (مثلاً، مكبرات الصوت، المحولات القائمة على الاهتمام) هو اتجاه سريع نحو التسارع إلى السحب.

رأس الطريق: الفرص والاعتبارات الأخلاقية

ونظراً لأن التعلم العميق ينضج في إطار تحقيق التعظيم الهيكلي، فإن آثاره الاجتماعية والأخلاقية تتطلب الاهتمام إلى جانب التقدم التقني.

تنمية الهياكل الأساسية المستدامة

ومن أكبر الوعود القدرة على تصميم هياكل تستخدم مواد أقل استخداماً في الوقت الذي تحافظ فيه على الأداء، ويمكن للتعلم العميق أن يدفع إلى تحقيق الاستخدام الأمثل لعلم التضاريس في المباني والجسور وأبراج التوربين، مما يقلل من انبعاثات الكربون والموارد المجسدة، ومن ذلك مثلاً أن استخدام أدوات إعادة تدوير الفولاذ المعتمدة من قبل منظمة العفو الدولية قد لا يستخدم حداً أدنى من التصميم التقليدي، مما يمثل نماذج ضخمة من نماذج البناء من أجل دورة التكييف()([:])(2).

التعاون بين منظمة العمل الدولية

وبدلاً من الاستعاضة عن المهندسين، ستزيد أدوات التعلم العميق من إبداعهم وإنتاجيتهم، ومن المرجح أن تنطوي تدفقات العمل الأكثر فعالية على وجود صورة بشرية في الموقع: تقترح منظمة العفو الدولية مجموعة من التكنولوجيات الذاتية المرشحة، وتقييد المهندسين، وتختار المتغيرات الواعدة، وتطبق معرفة محددة بالمجالات، لا يتعلمها النموذج، وستتطلب هذه العملية التعاونية وصلات بينية مستعملين غير ملائمة تتيح للمهندسين التفاعل مع التصميمات الفضائية المتأخرة.

التصميم الأخلاقي وثنائي

ولا تكون نماذج التعلم العميقة سوى جيدة مثل البيانات التي يتم تدريبها عليها، وإذا كانت بيانات التدريب تزيد عن عدد بعض التصنيفات الهيكلية (مثل الأطر الهندسية الخفية للمباني) أو سيناريوهات التحميل (مثلاً، التحميلات الريحية النموذجية في المناخات المتقاربة)، فإن النموذج قد يؤدي دوراً ضعيفاً في الظروف غير العادية أو القصوى - مثل المناطق الزلزالية في البلدان النامية.

خاتمة

ومن شأن التعلم العميق أن يتحول أساساً إلى الشكل الأمثل للهيكل وتصميم الطبقات، وأن ينتقل من فضول بحثي إلى أداة هندسية عملية، وأن يتعلم قدرته على التعلم من البيانات، وأن يولد دراسات هندسية جديدة، وأن يؤدي تحليلات آنية، وأن يعجل بإنشاء هياكل فضائية أكثر خفية، وأكثر استدامة، وأن يُدمج شبكات جديدة مستفادة من الفيزياء، وأن يتعلم التعزيزات، وأن يُعدّل التوائم الرقمية في المستقبل إلى حدٍّ لا تتطوّل فيه الممارسون على الوجه الأمثل.