نقش هوش مصنوعی در تحقیقات مهندسی مکانیک Enhancing

هوش مصنوعی (AI) تحقیقات مهندسی ساختاری را با فعال کردن تجزیه و تحلیل سریع تر و دقیق تر و طراحی تغییر می دهد، زیرا زیرساخت ها نیاز به پیچیده تر شدن دارند، AI ابزارهایی برای بهبود ایمنی، کاهش هزینه ها و تسریع نوآوری ارائه می دهد.این مقاله بررسی می کند که چگونه AI در سراسر نظم و انضباط، از نظارت بر سلامت به طراحی عمومی، و بحث در مورد چالش هایی که باقی مانده است.

برنامه های هسته ای AI در مهندسی ساختاری

نظارت بر سلامت ساختاری

ساختارهای مدرن با سنسورهایی که لرزش، فشار، دما و سایر پارامترهای AI را اندازه گیری می کنند، به ویژه مدل های یادگیری عمیق - می توانند الگوهای ظریف را تشخیص دهند که نشان دهنده آسیب یا خستگی طولانی قبل از ظاهر شدن علائم قابل مشاهده است.شبکه های عصبی کانولولوی (CNNs) پردازش داده های سنسور زمان سری برای طبقه بندی شرایط ساختاری، در حالی که شبکه های مکرر (RNN) تغییرات را در طول زمان کاهش می دهد، نیاز به بازرسی های دستی واقعی و تجزیه و تحلیل دقیق از ساختمان ها، و ساختارهای مداوم دارد.

بهینه سازی طراحی با یادگیری ماشین

مدل های یادگیری ماشین به مهندسان کمک می کند تا اهداف رقابتی مانند قدرت، کارایی مواد و هزینه را متعادل کنند.برای مثال، مدل های سوررو گیت آموزش داده شده در تجزیه و تحلیل عناصر محدود (FEA) به سرعت می توانند هزاران تغییر طراحی را بررسی کنند، شناسایی راه حل های بهینه سازی و استفاده از روش های سفارشی سازی پیشرفته را پیشنهاد می کنند.

پیش بینی و ارزیابی زندگی-Cycle

AI پیش بینی می کند که چه زمانی اجزای مورد نیاز به تعمیر یا جایگزینی با تجزیه و تحلیل داده های تاریخی و شاخص های وضعیت فعلی. مدل های رگرسیون و جنگل های تصادفی می توانند نرخ های خوردگی، رشد کرک خستگی و تخریب بتن را پیش بینی کنند.این باعث می شود که نگهداری از یک مدل برنامه ریزی شده، زمان بر اساس یک بیماری، کاهش خرابی و گسترش زندگی (LCCA) با بودجه های برنامه ریزی دقیق تر کمک کند.

افزایش شبیه سازی و مدل سازی

شبیه سازی های ساختاری سنتی به طور محاسباتی گران هستند، به ویژه برای تجزیه و تحلیل های غیر خطی یا پویا. AI سرعت این شبیه سازی ها را با ایجاد محرک هایی که مدل های فیبریت بالا را در بر می گیرند، سرعت بخشیدن به این شبیه سازی ها را به طور مستقیم به عملکرد از دست دادن سرعت و دقیق تر پاسخ ساختاری تحت لرزه، باد یا بارهای حرارتی می دهد که این اجازه می دهد تا هزاران آزمایش مجازی را اجرا کند تا آن را انجام دهد.

هوش مصنوعی در طراحی Seismic و مهندسی زلزله

مهندسی زلزله یک منطقه اول است که در آن AI در حال ایجاد یک تفاوت است. محققان شبکه های عصبی را در پایگاه های داده حرکت زمینی آموزش داده اند تا پیش بینی آسیب های ساختاری برای پیکربندی های مختلف ساختمان را پیش بینی کنند. عوامل یادگیری تقویت کننده برای طراحی سیستم های کنترل سازگار که تنظیم مرطوب کننده ها یا پایه گذاران در زمان واقعی در طول یک رویداد لرزه ای، AI همچنین به منحنی توسعه شکنندگی کمک می کند، که تخمین می زند احتمال آسیب رساندن به برخی از مهندسین زلزله می تواند این اقدامات انعطاف پذیر را اندازه گیری کند.

طراحی عمومی و بهینه سازی Topology

طراحی Generative، که توسط AI طراحی شده است، اجازه می دهد تا مهندسان ساختاری به نیازهای عملکرد ورودی (به عنوان مثال، حداکثر انحراف، حداقل وزن، فرکانس بنیادی) و اجازه دهد الگوریتم پیشنهاد می کند تا بهینه سازی ژئومتریک بهینه شده همراه با شبکه های عصبی یکپارچه سازی می تواند ساختارهای ارگانیک را تولید کند که دقیقاً مواد را توزیع می کنند.این به ویژه در تولید افزودنی (3D) قطعات چاپ، که از طریق ابزارهای پیچیده ای مانند ابزارهای طراحی ساختاری قابل استفاده می کنند.

پشتیبانی از تصمیم گیری های دیجیتال و Real-Time

یک دوقلو دیجیتال یک شبیه سازی مجازی از یک ساختار فیزیکی است که به روز رسانی در زمان واقعی با داده های سنسور است. AI به عنوان مغز دوقلو دیجیتال عمل می کند، تجزیه و تحلیل داده های جریان برای مقایسه عملکرد واقعی در برابر انتظارات طراحی است.هنگامی که ناهنجاری ها ظاهر می شوند، AI می تواند هشدارها را تحریک کند، اقدامات کاهش را توصیه کند، یا حتی سیستم های ساختمان را به طور خودکار تنظیم کند.این مفهوم در حال حاضر در پل های هوشمند، که در آن دوقلوهای دیجیتال نظارت می کنند، و زیرساخت های پشتیبانی از سوخت های حرارتی.

مزایای ادغام AI در تحقیقات ساختاری

افزایش ایمنی از طریق تشخیص زود هنگام

توانایی AI برای انتخاب تغییرات ظریف در الگوهای ارتعاشی، انتشار گازهای صوتی یا تصاویر بصری به این معنی است که شکست های بالقوه می توانند هفته ها یا ماه ها قبل از اینکه آنها به عنوان بحرانی تبدیل شوند، به ویژه برای زیرساخت های قدیمی مهم است، مانند هزاران پل در ایالات متحده به عنوان کمبود ساختاری رتبه بندی شده است.

کارایی هزینه در سراسر چرخه زندگی پروژه

طرح های بهینه سازی شده زباله های مواد را کاهش می دهد و نگهداری پیش بینی شده از تعمیرات اضطراری گران قیمت جلوگیری می کند. [برنامه ریزی ساخت و ساز مبتنی بر AI از داده های تاریخی برای پیش بینی تاخیر و بهینه سازی تخصیص منابع استفاده می کند.] این پس انداز می تواند به 10 تا 20 درصد از کل هزینه ها، با توجه به مطالعات از موسسه ملی استانداردها و فناوری (NIST) [FLT 1: 1].

نوآوری سریع تر در مواد و روش ها

AI سرعت کشف مواد ساختاری جدید، مانند بتن فوق العاده بالا عملکرد (UHPC) یا پلیمر های فیبر تقویت شده را تسریع می کند. مدل های یادگیری ماشین می توانند خواص مکانیکی مخلوط های جدید را بر اساس ترکیب، به طور چشمگیری کاهش تعداد آزمایشات آزمایشگاهی، به طور مشابه، AI در توسعه مواد خود شفای خود را با مدل سازی مواد شیمیایی و مکانیکی در طول زمان.

بهبود دقت و قابلیت اطمینان

مدل های مبتنی بر داده، عدم اطمینان ذاتی در فرمول های تجربی و فرضیات ساده را کاهش می دهند.با یادگیری مستقیم از داده های میدانی، AI می تواند پیش بینی های خاص سایت را ارائه دهد که دقیق تر از کدهای عمومی هستند.این برای ارزیابی ساختارهای موجود مفید است که در آن اسناد طراحی تاریخی ممکن است ناقص باشد.

چالش ها و محدودیت ها

کیفیت داده ها و دسترسی

مدل های AI تنها به اندازه داده هایی که در مهندسی ساختاری آموزش دیده اند، داده های با کیفیت بالا از حوادث شکست نادر هستند - هیچ کس نمی خواهد ساختمان ها را تنها برای جمع آوری داده ها ببیند و یادگیری انتقال داده ها برای کاهش این موضوع مورد بررسی قرار می گیرد، اما کمبود داده ها همچنان یک مانع است.

قابلیت پیش بینی و اعتماد

بسیاری از مدل های AI، به ویژه شبکه های عصبی عمیق، عملکرد به عنوان جعبه های سیاه و تنظیم کننده ها تردید دارند که به پیش بینی هایی که نمی توانند توضیح دهند، تکیه کنند.کار در حال انجام است تا روش های AI قابل توضیح (XAI) برای برنامه های ساختاری مانند نقشه های توجه که نشان می دهد کدام سیگنال های سنسور بیشتر بر طبقه بندی آسیب تأثیر می گذارند، به احتمال زیاد هوش مصنوعی به جای جایگزینی قضاوت انسانی، تقویت خواهد شد.

نیاز به تخصص تخصصی

کنار گذاشتن شکاف بین دانش دامنه در مهندسی ساختاری و مهارت های علوم داده چالش برانگیز است.دانشگاه ها شروع به ارائه برنامه های بین رشته ای می کنند، اما نیروی کار فعلی اغلب فاقد تخصص دوگانه است - جایی که مهندسان ساختاری در کنار متخصصان AI کار می کنند - ضروری هستند، اما آنها با ارتباطات و هماهنگی سربار همراه هستند.

مسیر های آینده

هوش مصنوعی قابل توضیح برای رعایت قوانین

هدف تحقیقات آینده ایجاد سیستم های AI است که می تواند توصیه های خود را از نظر کدهای ساختمان موجود و استانداردها توجیه کند، این به مهندسان اجازه می دهد تا به سرعت بررسی کنند که آیا طراحی پیشنهادی AI مطابق با الزامات کد است و اگر نه، درک آنچه که تغییرات مورد نیاز است.

ادغام با مدل سازی اطلاعات ساختمان (BIM)

ابزارهای AI که به طور مستقیم به پلتفرم های BIM (مانند Revit یا Tekla) وصل می شوند، فرآیند طراحی را ساده می کنند.به عنوان مثال، یک دستیار AI می تواند به طور خودکار جزئیات اتصال را بر اساس بارگذاری و ساخت و ساز، کاهش کار تکراری دستی پیشنهاد دهد.

ساخت و ساز و مجلس

رباتیک همراه با سیستم های بینایی هوش مصنوعی برای وظایفی مانند تن کردن مجدد، جوشکاری و چاپ سه بعدی عناصر ساختاری توسعه یافته اند.این سیستم ها از مشاغل قبلی یاد می گیرند، سرعت و دقت را در طول زمان بهبود می دهند. Startups مانند MX3D قبلاً سه بعدی را با استفاده از ربات های مبتنی بر هوش مصنوعی به کار می برد.

انعطاف پذیری و سازگاری آب و هوا

از آنجایی که تغییرات آب و هوایی فرکانس و شدت آب و هوا شدید را افزایش می دهد، AI می تواند به ساختارهای طراحی کمک کند که سازگار شوند. یادگیری تقویت کننده می تواند استراتژی های کنترل برای موانع سیل، نماهای سازگار با باد یا سیستم های تنظیم حرارتی را توسعه دهد. AI همچنین مدل های طولانی مدت از قرار گرفتن در معرض محیط زیست، قادر به برنامه های تعمیر و نگهداری سازگار.

نتیجه گیری

هوش مصنوعی جایگزینی برای درک عمیق فیزیکی نیست که مهندسی ساختاری را تحت تاثیر قرار می دهد – این ابزار قدرتمندی است که توانایی انسان را تقویت می کند.از نظارت بر سلامت که زندگی را برای طراحی عمومی که مصرف مواد را کاهش می دهد، AI در حال ایجاد تحقیقات ساختاری کارآمد تر و نوآورانه تر است.