מהפכת ה-AI ב- Solid Modeling

מודלים מוצקים כבר זמן רב עמוד השדרה של עיצוב מכני, הנדסה אווירוקל, וייצור תעשייתי.מייצוגי חוט מוקדם של 1960s לדגמנים המבוססים על הפיצרית של היום, המשמעת התפתחה באמצעות זיכוך מצטבר - פותרים מהירים יותר, ממשקי משתמש טובים יותר, ושילוב הדוק יותר עם סימולציה.אבל טרנספורמציה עמוקה יותר היא כעת דרך הזרקת בינה מלאכותית (AI) ולמידה מהירה יותר, במקום שיטות יצירתיות מוצקות, במקום, כלומר, כלומר, תהליכים גמישים של שיטות יצירתיות גבוהות יותר ויותר, במקום זאת, ושילוב חזק יותר ויותר, ומעבדות של שיטות יצירתיות גבוהות יותר ויותר, וטכניקות יצירתיות גבוהות יותר ויותר, וטכניקות ניהוליות, וטכנולוגיות AI- AI מתקדמות יותר ויותר, במקום, וטכנולוגיות יעילות, וטכנולוגיות יעילות, וטכנולוגיות יעילות גבוהות יותר ויותר, במקום זאת, וטכנולוגיות יצירתיות גבוהות יותר ויותר, וטכנולוגיות יעילות גבוהות יותר ויותר, וטכנולוגיות יצירתיות גבוהות יותר ויותר, וטכנולוגיות יעילות, במקום זאת, וטכנולוגיות יצירתיות גבוהות יותר ויותר, עם סימולציה.

מאמר זה חוקר את המגמות המשמעותיות ביותר בצומת של AI ומודל מוצק, בוחן יישומים קונקרטיים כבר בייצור, ומביט קדימה לאתגרים והזדמנויות שיגדירו את העשור הבא של עיצוב ממוחשב (CAD) המטרה היא לספק סקירה מעשית, סמכותית עבור מהנדסים, מפתחי מוצר ומחנכים שרוצים להישאר לפני העקומה.

התכתבות היסטורית קצרה

כדי להעריך כמה רדיקלי השינוי ב-AI הוא, זה עוזר לזכור את מסלול ה-CAD בחמישים השנים האחרונות.מודל מוצק מסורתי מבוסס על אלגוריתמים ⁇ סטים: ייצוג גבולות (B-rep), גיאומטריה מוצקה קונסטרוקטיבית (CSG), ומודלים מפרשיים המבוססים על מגבלות מפורשות של מפעילי האדם מגדירים כל ממד, כל מערכת יחסים, וכל תכונה.

למידת מכונה, לעומת זאת, משגשגת על הסתברות וזיהוי דפוסים. ניסויים מוקדמים בשנות ה-90 של רשתות עצביות יישומיות למשימות סיווג פשוטות ב-CAD, אך כוח חישובי וזמינות נתונים המוגבלים את השפעתם.הרגע שפיכות המים הגיע בסביבות 2016–2018, כאשר למידה עמוקה הדגים תוצאות מדהימות בדור צורה 3D והשגת עיבוד ענן ספציפי כיום, עלייה של כלי עיצוב קריפטוגניטיביים - לעומת זאת, אך ורק על ידי חברות כמו Autokdes ומהנדסים בינוניים, לא יכלו לחקות באופן אוטומטי, אך ורק קוסמטיקה אורגניים, אך ורק ויזואליים, אך ורק ויזואליים, אך ורק ויזואליים, אך ורק סימולציה, אך ורק סימולציה של סוללות.

מגמות נוכחיות ב-AI ו-ML עבור מודלים מוצקים

כמה מגמות קשורות זו מעצימות את מצב האמנות:

עיצוב יצירתי כזרימת עבודה Core

אולי המגמה הגלויה ביותר היא הזרם המרכזי של עיצוב ניו יורקי במקום לסקיט באופן ידני או כיור חום, מעצב מפרט דרישות פונקציונליות - תנאי עומס, מגבלות חומריות, שיטת הייצור - והאלגוריתם מייצר מאות מועמדים תקפים. Autodesk Fusion 360, NTopology, ו- PTC Creo יש את כל היכולות המשולבות.

אופטימיזציה של טופולוגיה מופעלת על ידי Deep Learning

אופטימיזציה טופולוגיה כבר מחקר חיוני במשך עשרות שנים, אבל שיטות הרהרטיביות מסורתיות יקרות חישובית - לעתים קרובות דורש עשרות אלמנטים סופיים פועל. גישות רשת עצבית חדשה, כולל רשתות עצביות בעלות מידע פיזיקלי (PINNs) ו convolutional encoder-coder ארכיטקטורות קודים, יכול להיות משוער להתנצלות קלאסית בתוך שניות. A 2023 נייר מ-MITs Computer Science ו- AI מעבדה מלאכותית הראו מודל שדומה להפחתה של 2D2 שעות לקצבה ל- 2D.

AI-Assised Mesh דור וגיאומטריה ריפוי

הכנת מודל מוצק לסימולציה לעתים קרובות כרוך ניקוי מייגע - תיקון נקודות רעות, פערים סגירה, יצירת מרש באיכות גבוהה. Machine Learning מודלים הכשרה מאומן על אלפי דגמי CAD יכול עכשיו לזהות ולתקן באופן אוטומטי חוסר עקביות גיאומטריים. כלים כמו SimScale ו FE-Design להשתמש ML כדי לזהות גיאומטריה מלוכלכת ולהציע תיקונים.

ממשקי טבע-Language עבור 3D Modeling

מגמה מרתקת היא השימוש במודלים שפה גדולים (LLMs) לתרגם פקודות שפה טבעית לפעילות מודלים מוצקה.במקום ללחוץ באמצעות תפריטים, מעצב עשוי להקליד "לצמצם גלילה 50 מ"מ רצוף בקוטר עם קירות 3 מ"מ עבה" והמערכת מייצרת את התכונה.חברות כמו Alpha3D ומחקר קנייני ב Autodesk להתנסות עם מודלים GPT-level בסדר גודל בסדר עם קירות מהירים (עדיין לממשק פתוח ל- 360 בנובמבר) ו- API.

יישומים מרכזיים של AI ב Solid Modeling

מעבר למגמות הרחבות, AI הוא מכווץ נקודות כאב ספציפיות על פני מחזור חיי פיתוח המוצר. להלן אנו בודקים את ארבעת אזורי היישום שהוזכרו במאמר המקורי, הורחב עם עומק טכני ודוגמאות בעולם האמיתי.

תכנון אוטומציה

פרדוקסלי וחקר החלל

אוטומציה של CAD קלאסית משתמשת בתסריטים או במאקרו כדי לשנות פרמטרים - אורך, זווית, רדיוס מלא - וחדש את המודל. AI לוקח את זה עוד על ידי למידה פעילה אילו פרמטרים חשובים ביותר.שימוש אופטימיזציה Bayesian או תהליך Gaussian תהליך רגרסion, סוכן ML יכול לחקור שטח עיצוב ברמה גבוהה, להעריך מטרות (משקל, עלות, מניפולטיביות), ומאמץ חישובי מבטיח על ידי אופטימיזציה של מספר 1 של יחידות מסחר גיאומטרידות, בעוד שעדיין יכול להפחית את הגבול של 100D.

רשתות אדמירל (גנים) עבור דור מושגים

gans, מפורסם ליצירת תמונות מציאותיות, עכשיו להיות מאומן על נתונים גדולים של חלקי הנדסה. A gan מאומן על מיליוני חזיונות רכב יכול ליצור עיצובים חדשים לחלוטין כי הם פונקציונליים ואסתטיקה coherent. חוקרים באוניברסיטת מישיגן הוכיחו gan מצבי כי מייצרת מודלים תלת מימדיים של רכיבים מבניים עם שבילים המוגדרים על ידי משתמשים.

זיהוי שגיאות

Defect Classification ב-CAD Models

בדיקה מסורתי ב-CAD מסתמכת על כללים קודרים קשיחים: לבדוק את נקודות קצה אפס-תקליות, פרצופים מדבקים, או חסר מילויים. למידת מכונה יכולה לזהות דפוסים עדינים שמערכות המבוססות על הכלל מפספסות.לדוגמה, רשת עצבית convolutional (CNN) שהוכשרה על התנגשויות rasterized של אלפי קבצים חלק יכולים לזהות תכונות עיצוב סבירות לגרום פגמים זרימה או צ'אטים מובילים.

תחזוקה חיזוי של איכות המודל

יישום חדשני נוסף הוא לחזות כאשר מודל הוא "לנשוע" מעריכת חוזרים.מודלים Parametric סובלים לעתים קרובות מבעיות שם טופולוגי - כאשר פנים או קצה מזהה משתנה לאחר שינוי, אזכורים למטה.מודלים של ML יכולים לנתח את גרף התלות ולצפות אילו תכונות סבירות להיכשל לאחר שינוי, התראה על המשתמש לפני השגיאה propgates.זה שימושי במיוחד עבור רחב כמו מאות התנגשויות הקשורות או אלפי חלקים הקשורים.

אופטימיזציה חומרית

בחירת חומרים ב-Data-Driven

בחירת החומר הנכון עבור חלק כרוך איזון כוח, משקל, עלות, עמידות קורוזיה, ומיומנות. מסדי נתונים חומריים כמו גרנטה MI מכילים אלפי פרופילים רכוש, אבל חיפוש ידני עבור המשחק הטוב ביותר הוא זמן-consuming מודלים למידה מכונה - לעתים קרובות על בסיס יערות אקראיים או ⁇ - יכול להגביר את דרישות העיצוב ואת פלט רשימה של חומרים מועמדים, עם ביצועים מתקדמים אפילו בתנאי טעינה.

AI-Syntheגודל Metamaterials

אולי אופטימיזציה החומרית החודנית ביותר היא העיצוב המונעת על ידי AI של metamaterials - מבנים מלאכותיים עם תכונות שלא נמצאו בטבע (יחס של פומפסון, קשיחות קיצונית למשקל) מודלים למידה עמוקה יכולים לייצר מיקרו-ארכיאולוגים עבור התנהגות מקרוסקופית נתונה, ולאחר מכן להמיר אותם באופן אוטומטי למודל מוצק לייצור תוספים.

סימולציה ובדיקה

מודלים של Quick Approximation

ניתוח חלקי מלא (FEA) או דינמיקות נוזל חישובי (CFD) יכול לקחת שעות עבור עיצוב מודלים סימולציה. AI פונדקאית - רשתות עצביות עמוקות מאומן על סט של תוצאות סימולציה מראש - יכול להיות משוער את הפלט בתוך שניות. עבור מודל מוצק נתון, הפונדקאית התפלגות מתח, עיוותים או דפוסים זרימה עם 5-10%, אשר לעתים קרובות מקובל על ידי מיפוי גבוה של התפלגות של סימולציה של מספר זה היה בשימוש על ידי סימולציה של סימולציה של סימולציה.

רשתות ערפיליות מתקדמות (PINNs)

אלטרנטיבה קפדנית יותר לפונדקי תיבות שחורות היא הרשת העצבית המיודעת בפיסיקה, אשר מטביעה את המשוואות החלקיות השולטות חלקית (PDEs) ישירות לתוך תפקוד האובדן. PINNs להבטיח כי התחזיות של הרשת לציית לחוקים פיזיים, מה שהופך אותם אמין יותר עבור חלקי הון סיכון-ביקורתיים, בעוד אימון PINN יכול להיות מאתגר, עבודות אחרונות מראות שהם יכולים לפתור מוצקות עם התנהגות לא לינארית ועיוותים גדולים ללא תווית סטנדרטית, כמו גם כן, כמו גם נתונים סטנדרטית.

כיוונים עתידיים ואתגרים

במבט קדימה, שילוב של AI ו-ML לתוך מודלים מוצק מבטיח אפילו יותר אוטומציה וכלים עיצוב חכם יותר. עם זאת, יש להתגבר על כמה מכשולים לפני שהטכנולוגיות האלה הופכות לכל מקום.

כיוונים עתידיים

סוכני CAD אוטונומיים

דמיינו עתיד שבו מהנדס מתאר בעיה בשפה הטבעית – "אני צריך ציר שיכול לתמוך 200 N, פותח 120 מעלות, ולא צריך לעלות על 50 גרם במשקל" - סוכן AI באופן אוטונומי יוצר מודל מוצק בעל ערך רב, פועל סימולציות, ודברים עד שכל הדרישות של סוכנים כאלה קיימים במעבדה, המשלבים LLM לחיקוי עבור מודלים של סימולציה מתקדמת עבור חמישה חלקים אוטונומיים, אופטימיזציה של מערכות יצירתיות, עד שכל דרישות יצירתיות יכולות להתמקד על ידי חמישה חודשים.

AI-Time Collaborative AI

פלטפורמות CAD מבוססות ענן כמו Onshape כבר תמיכה בעריכה רב-משתמש.הצעד הבא הוא AI שמשתתתתתתתתתתתתתתתף בפגישת העיצוב: מציע שינויים כאשר קונפליקט עולה, באופן אוטומטי להתאים רכיבים שכנים כאשר מימד משתנה, או אפילו לחזות את כוונתו של המעצב.בינה שיתופית כזו תלמד מהיסטוריית העיצוב של הקבוצה וסטנדרטי החברה, ולהבטיח מורכבות בפרויקטים.

שילוב עם תאומים דיגיטליים

המודל המוצק הוא הזרע של תאומה דיגיטלית - העתק וירטואלי בזמן אמת של מוצר פיזי. AI יאפשר מודל מוצק לעדכן באופן דינמי בהתבסס על נתוני חיישן מהתאום הפיזי.לדוגמה, אם חלק חווה רטט בלתי צפוי בתחום, AI יכול לשנות באופן אוטומטי את הטופולוגיה של המודל המוצק לחט את הרטט, ולאחר מכן לדחוף את העיצוב המעודכנים לייצור.

אתגרים

מחסור בנתונים ואיכות

מודלים בינה מלאכותית חזקים דורשים נתונים גדולים, נקיים, מתוייגים של מודלים מוצקים.בניגוד לתמונות או טקסט, מודלים 3D CAD הם קנייניים, מגוונים בפורמט, ולעתים מוגנים על ידי זכויות קניין רוחני. נתונים ציבוריים כמו ABC, Thingi10K, ומודלNet הם שימושיים אך מוגבלים לצורות פשוטות יחסית.חברות עשויות להיות צריכות לייצר נתונים סינתטיים או להשתמש בטכניקות כמו למידה מועטה כדי להתגבר על מחסור בנתונים, כמו זה יותר, כולל נתונים אלה.

מודל Transparency and Trust

מהנדסים אינם מעוניינים להסתמך על מערכת תיבות שחורה, במיוחד עבור רכיבים קריטיים בטיחותיים.המלצות AI חייבות להיות מוסברות - המערכת צריכה להיות מסוגלת להראות מדוע היא בחרה טופולוגיה מסוימת או חומר.מחקר לתוך AI (XAI) עבור CAD הוא nascent; טכניקות כמו ערכי SHAP או חיקוי מותאמים לגיאומטריה 3D. ללא אמון, אימוץ יהיה מוגבל לתכנון קונספטואלי נמוך.

עלויות פיצוי

מודלים למידה עמוקה עבור מוצקות תלת מימדיים הוא אינטנסיבי חישוביות.אימון יחיד לרוץ עבור רשת עיצוב ניו יורק יכול לעלות עשרות אלפי דולרים בזמן ענן GPU. בעוד הקצינה היא זולה יותר, זה עדיין דורש חומרה ייעודית. מחסום זה עשוי לכלול חברות קטנות אלא אם כן שירותי AI מבוססי ענן, תשלום-per-use זול יותר, עם זאת, כמו כל AI, עלויות מגמה כלפי מטה, ואנחנו יכולים לצפות overizing זמן.

שילוב עם Legacy Systems

רוב מחלקות העיצוב התעשייתי להפעיל תיקון של מערכות CAD מורשת, מסדי נתונים PLM ותוכנות ERP.הצגת תכונות AI מופעלות חייב לא לשבש את זרימת העבודה הקיימת. Vendors צריך לספק APIs ו microservices כי להתחבר לסביבות הנוכחיות.העלייה של קוד פתוח CAD לינל (למשל, OpenCascade) ותבניות קבצים אוניברסליות (ST, JT) יש להקל על שילוב, אך ורק אתגר מעשי.

מסקנה

עתיד הדוגמנות המוצק אינו רק בהיר – הוא נכתב מחדש באופן פעיל על ידי ההתכנסות של AI ו-ML. מעיצוב ניו-יורקי המבדוק מיליוני חלופות לסימולציות חלופיות שחתכו את הזמן משעות עד שניות, הכלים הזמינים למהנדסים הופכים מהירים יותר, חכמים יותר, ומחנכים רבים יותר לטבול את עצמם במגמות אלה - למידה על יסודות למידה, ניסויים עם תוכנה מתפתחת, עם עיצוב, ו-Fernbnbnbtreative: 1.comi-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-Fercrevetrevetrevetferto-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to

כמובן, אתגרים נשארים: איכות נתונים, אמון בהחלטות AI, עלות חישובית, ואת הצורך מומחיות מיוחדת.תגבר על המכשולים האלה ידרוש מאמץ משותף בין האקדמיה, ספקי תוכנה, ומשתמשי קצה.אבל המסלול הוא בלתי אפשרי.השאלה היא כבר לא האם AI ישנה מודל מוצק, אבל כמה מהר אנחנו יכולים להתאים את העבודה שלנו, הכישורים שלנו, ואת החשיבה שלנו הוא חסר תועלת מלאה.

(ב) לאלו המוכנים לעסוק, המשאבים גדלים.FLT:0.4% סקרים אקדמיים על AI בעיצוב ®FLT:1 לספק נקודות התחלה מצוינות, ו- Open-source Toolkits כמו FLT:2CadQueryFLT 3 בשילוב עם ספריות למידת מכונות מאפשרות ניסויים על ידיות.