השימוש באינטליגנציה מלאכותית באופטימיזציה אוטומטית של מכניזם

עלייתה של אינטליגנציה מלאכותית בעיצוב מכניזם מודרני

בינה מלאכותית (AI) יש בצורת יסודית כיצד מהנדסים ומדענים ניגשים לאופטימיזציה של מערכות מכניות.תהליכי עיצוב מסורתיים מסתמכים לעתים קרובות על היסוס ידני, מומחיות דומיין ובדיקת ניסוי-טרור – אלוהידים ששניהם מזמנים ומגבילים את היקף.AI מציעה שינוי פרדיגמטי, המאפשר העברת נתונים המונעת על ידי פיתוח חללים שלא היו מסוגלים לנווט בעבר באמצעות טכניקות למידה, ופתרונות פיתוח אופטימיים, וטכנולוגיות פיתוח אופטימאליות, יכולות כעת להשיג אלגוריתמיות של מערכות הפעלה, וטכנולוגיות אוטומטיות, וטכנולוגיות פיתוח אופטימטיביות, וטכנולוגיות פיתוח אופטימאליות של מערכות הפעלה, וטכנולוגיות של תעשיות פיתוח, וטכנולוגיות אוטומטיות, וטכנולוגיות של מערכות הפעלה, וטכנולוגיות של מערכות הפעלה, וטכנולוגיות של מערכות הפעלה, יכולות להשיג אלגוריתמיות של מערכות הפעלה, וטכנולוגיות פיתוח אופטימטיביות, וטכנולוגיות של מערכות הפעלה, וטכנולוגיות פיתוח אופטימיות מתקדמות של מערכות הפעלה, וטכנולוגיות פיתוח אופטימיות מתקדמות, וטכנולוגיות אוטומטיות, יכולות כעת, וטכנולוגיות פיתוח אופטימטיביות, וטכנולוגיות פיתוח אופטימספקות של מערכות הפעלה, וטכנולוגיות של מערכות הפעלה, וטכנולוגיות של מערכות הפעלה, וטכנולוגיות פיתוח אופטימחדשניות, וטכנולוגיות אוטומטיות של מערכות הפעלה, וטכנולוגיות פיתוח אופטימיות, וטכנולוגיות

מה זה אופטימיזציה מכניסטית?

אופטימיזציה מכניזם הוא תהליך של התאמת משתנים עיצוב - כגון אורך קישור, קבועות האביב, יחסי הילוכים, או תכונות חומריות - כדי לעמוד מטרות ביצועים ספציפיות. מטרות אלה לעתים קרובות לכלול צריכת אנרגיה ממזערית, למקסם מהירות או מומנט, שיפור יציבות תחת עומס, צמצום משקל, או שיפור חיי האופטימיזציה יכול להיות חד-משמעי או רב-משמעי, שבו סחר בין מטרות מאוזנות חייב להיות מאוזנת.

שיטות אופטימיזציה קלאסיות כמו ⁇ ירידה, תכנות קוואדרטי, ומתודולוגיית פני השטח התגובה כבר בשימוש במשך עשרות שנים.עם זאת, טכניקות אלה דורשות מודל מתמטי מוגדר היטב ולעתים קרובות לכודים באופטימה המקומית. יתר על כן, כמו מערכות מכניות להיות מורכבות יותר - עם דינמיקות לא ליניאריות, אינטראקציות רב-פיסיקה, וסובלנות הדוקה - העלות החישובית של חיפוש ממצה הופכת לאלגוריתמית בדיוק לאלגוריתמית.

אוטומציה של AI

Machine Learning and Surrogate Modeling

מודלים של Machine Learning (ML) פועלים כתחליפים עבור סימולציות מבוססות פיזיקה יקרות.על ידי אימון על סט של נקודות עיצוב המוערכות באמצעות ניתוח אלמנטים סופי (FEA) או דינמיקות נוזלים חישוביות (CFD), מודל ML לומד לחזות תפוקה ביצועים כתפקוד של קלטות עיצוב.זה מאפשר מחקר מהיר של תצורה רבות ללא סימולציות מלאות בכל פעם.

אלגורית גנטיקה ואסטרטגיות אבולוציוניות

אלגוריתמים גנטיים (GAs) לדמות ברירה טבעית: אוכלוסייה של עיצובים מועמדים מתפתחת באמצעות בחירה, קרוסבר ומוטציות במשך דורות רבים.הכושר של כל דור מוערך נגד הפונקציה האובייקטיבית. GAs יעילים במיוחד עבור אופטימיזציה רב-אובייקטיבית (למשל, זיהוי חזית פארו) ועבור בעיות עם משתנים דיסקרטיים / קידודים מעורבים.

למידה עמוקה

למידה עמוקה חיזוק (DRL) מאמן סוכן לקבל החלטות ⁇ על ידי אינטראקציה עם סביבה. בעיצוב מנגנון, DRL יכול להתאים באופן דינמי פרמטרים במהלך המבצע (למשל, קישורים משתנים או מערכות לחות פעיל) כדי להתאים לשינויים תנאים.זה בעל ערך במיוחד במערכות אוטונומיות ומבנים הסתגלות.

יישומי תעשייה ומחקרי מקרים

כלי רכב: מניפולציות ואופטימיזציה של אימונים

אופטימיזציה המונעת על ידי AI משמשת נרחב כדי להנגיש ג'ממות על נוחות נסיעה, טיפול, וצמיגים ללבוש. על ידי הפיכה סימולציות מרובות-גוף עם אלגוריתם גנטי, מהנדסים יכולים למצוא שיעורי האביב, עקומות לחות יותר, ונוקשות בושת העונים על קריטריונים סותרים.מחקר אחד הראה כי FLT:0AI-optimized כפול-wtimated השעיה מופחת על ידי 12% תוך שיפור נוקשות הפינה 1LT:1.

חלל: מבנה קל משקל וכנפיים משוריינות

בחלל, צמצום משקל תוך שמירה על שלמות מבנית הוא רב-חשיבות. טכניקות בינה מלאכותית משלבות אופטימיזציה טופולוגית עם למידת מכונה כדי ליצור מבני צמיגים או הנחות מורכבות שעומדות בדרישות כוח-למשקל-על-מנת למנגנוני כנף מורפטיביים, מודלים מעמיקים של למידה חוזים עומסים אווירודינמיים והתאמה של קישור גיאמטריה בזמן אמת.בואינג ו- Airbus השקיעו באופטימיזציה מבוססת AI עבור טייסים הבאים.

רובוטיקה: עיצוב יעיל וגאי

רובוטים לרגליים דורשים מנגנונים אופטימיזציה להשגת תנופה יציבה ויעילה.אלגוריתמים גנטיים שימשו לפיתוח יחסי רגל ומיקומים משותפים הממזערים את צריכת האנרגיה לצעד.עוד גישות מתקדמות יותר להעסיק למידה חיזוק כדי ללמד רובוטים כיצד להתאים את ההאגות שלהם לשטח גס - ביעילות אופטימיזציה של מדיניות השליטה של המנגנון בזמן אמת.

מוצרי אלקטרוניקה: מכניזם קומפקטי עבור ללבוש

במכשירים מיני-אירויים כמו שעונים חכמים וטלפונים מתקפלים, אופטימיזציה של המנגנון חייבת לאזן את מגבלות החלל עם עמידות. אופטימיזציה של AI מונעים על ידי טופולוגיה יכולה ליצור עיצובים hinge כי הן קל משקל ועייפות עמידים. חברות כמו סמסונג דיווחו להפחית את מחזורי הפיתוח עבור מנגנוני hing טלפון מתקפלים על ידי 40% באמצעות מודלים חלופיים עצביים.

יתרונות על שיטות מסורתיות

• (FLT:0) ירידה דרמטית בעיצוב זמן מחזורי שלב 1FIRLT:1) - AI יכול להעריך אלפי עיצובי מועמד בזמן שלוקח מהנדס אנושי לבחון קומץ.
• (FLT:0) גילוי של חללים לא-אינסטינקטיים: אלגוריתמים של בינה מלאכותית יכולים למצוא פתרונות שלעולם לא יתרחשו למהנדס אנושי, כגון קישורים אסימטריים או התפלגות חומרית שאינה אחידה.
• (FLT:0) שיפור העוצמה והאמינותFIRLT:1) - על ידי שילוב אי הוודאות קוונטיזציה, אופטימיזציה המונעת על ידי בינה מלאכותית יכולה לייצר עיצובים המבצעים היטב תחת וריאציות בעולם האמיתי של טעינה, ייצור סובלנות, ותנאים סביבתיים.
• (FLT:0) ניצול חידושים של חידושים (FLT:1) – חיפוש אוטומטי מגלה לעתים קרובות התנצלות ומנגנונים חדשים שהופכים לבסיס לקווי מוצר חדשים או פטנטים.

אתגרים והגבלות נוכחיות

דרישות נתונים והתאמה

מודלים מדויקים של בינה מלאכותית דורשים כמויות גדולות של נתונים באיכות גבוהה.בהקשרים הנדסיים רבים, נתונים כאלה יקרים לייצר (למשל, כל סימולציה CFD עשויה לקחת שעות) אסטרטגיות כגון העברת למידה, למידה פעילה, רשתות עצביות המבוססות על פיזיקה מתעוררות כדי להפחית את צרכי הנתונים, אבל הם עדיין לא Plug-and-play. בנוסף, הפעלת אלגוריתמים אבולוציוניים לאורך דורות רבים יכולים לדרוש משאבים משמעותיים, במיוחד עבור מודלים מורכבים.

אמינות ואמון

מודלים רבים של בינה מלאכותית, במיוחד רשתות עצביות עמוקות, לתפקד כמו קופסאות שחורות.מהנדסים זהירים באימוץ עיצוב מומלץ על ידי מודל שאינו יכול להסביר את ההיגיון שלו.מאמצים ב-AI (XAI) להנדסת מכונות הם צוברים מתח, אבל מסגרת סטנדרטית למתן מנגנונים מתוחכמים AI-אופטימיים - במיוחד בתעשיות קריטיות בטיחות כמו חלל אווירי ומכשירים רפואיים - עדיין חסר.

שילוב עם זרימת עבודה קיימת

רוב ארגוני ההנדסה מסתמכים על כלי CAD וסימולציה מורשת.Integrating AI Optimizing מנועי אופטימיזציה לתוך צינורות אלה לעתים קרובות דורש תסריט מותאם אישית ובינוניים. בעוד פלטפורמות מסחריות כמו FLT:0 Ansys OptiSLangFLT:1 ו (FLT:2Simulia IsightFLT 3: החלו לשלב תחליפים של ML, עקומת הלמידה עבור קבוצות רבות.

כיוונים עתידיים

מודלים של פיזיקה ומודלים היברידיים

אופטימיזציה של AI הדור הבא יהטמיעו חוקים פיזיים ישירות לתוך תהליך הלמידה.רשתות עצביות בעלות מודעות לפיזיקה (PINNs) לאכוף משוואות שימור, המאפשרות תחזיות מדויקות גם עם מודלים מוגבלים. היברידיים המשלבים פונדקאים מונעים סימולציה עם נתונים ניסיוניים יהפכו סטנדרטיים, וערעור הפער בין תאומים דיגיטליים ובדיקות פיזיות.

Machine Learning (AutoML) עבור Mechanism Design

כלי AutoML אשר יבחרו באופן אוטומטי את האלגוריתם הטוב ביותר, היפרפרפרמטרים, וצעדים לעיבוד נתונים יפחיתו את המחסום עבור לא-מומחים.מהנדסים יוכלו לתאר את בעיית האופטימיזציה שלהם בשפה הטבעית או באמצעות ממשקי גרר-אנדרופ, שיאפשרו ל- AI להתמודד עם הפרטים האלגוריתמיים.

מנגנונים אמיתיים בזמן אמת

עם עליית מחשוב קצה וחיישנים בעלי נטיות נמוכה, מנגנונים AI-optimized יוכלו לשנות את עצמם על זבוב.דמיין ברך אסתטית שמתאים באופן מתמיד את לחותו על סמך ניתוח האגאי, או להב טורבינות רוח שמשמר את הגיאומטריה האווירית שלו בתגובה לגירודנים.

עיצוב יצירתי ותוספת ייצור Synergy

שילוב של עיצוב ניוון (AI-oriented shape and Topology Optimization) עם ייצור תוספים (3D הדפסה) פותח חלקים שהם חזקים וקלים יותר מאשר אלה המיוצרים באופן מסורתי.חברות כמו FLT:0AutodeskFLT:1 ו-FLT:2SiemensFLT 3: 3 כבר מציעים פלטפורמות להשתמש AI כדי לייצר גיאוגרפיות אורגניות כי יהיה בלתי אפשרי למכונה, ולאחר מכן לאמת אותם באמצעות סימולציה.

מסקנה

אינטליגנציה מלאכותית אינה רק שיפור מצטבר באופטימיזציה של המנגנון – היא מייצגת שינוי מהותי כיצד מהנדסים חושבים, הרהר, והשלמת עיצובים מכניים.על ידי הפעלת החיפוש עבור תצורה אופטימלית, AI מפחיתה את ההסתברות הגופנית היקרה, מקצרת את קווי הזמן של פיתוח קבועים, ומאפשרת רמות של ביצועים וחדשנות עתידיים שהיו בעבר מחוץ להישג ידם.