Giriş: Katı Modellemedeki AI Revolution

Katı modelleme uzun zamandır mekanik tasarım, havacılık mühendisliği ve endüstriyel üretim omurgası olmuştur. 1960'ların ilk tel gösteriminden günümüze kadar yapay zeka (AI) ve makine öğrenimi (ML) temel olarak, mühendislerin hız, daha iyi kullanıcı arayüzleri ve daha sıkı bir entegrasyon açısından neler elde edebileceğine dair yaklaşımlara sahiptir.

Bu makale, AI ve sağlam modellemenin kesişiminde en önemli trendleri araştırıyor, zaten üretimde beton uygulamaları inceliyor ve önümüzdeki on bilgisayar destekli tasarım (CAD) tanımlayacak olan zorluklara ve fırsatlara devam ediyor.

Kısa Tarihi Metin

AI değişikliğinin ne kadar radikal olduğunu takdir etmek, son elli yılda CAD'nin yörüngesini hatırlamaya yardımcı olur. Geleneksel sağlam modelleme, doğrusal temsil (B-rep), yapıcı sağlam geometri (CSG), ve parametrik modelleme her boyutta, her ilişki ve her özellikte tanımlamaktadır. Sistem tam olarak - hiçbir yenilik yapmaz, hiçbir kısayol, sürpriz çözüm yok.

Makine öğrenimi, olasılık ve model tanıma üzerinde gelişmiştir. 1990'larda erken deneyler CAD'de basit sınıflandırma görevlerine uygulanır, ancak Autodesk ve Frustum gibi şirketler tarafından yapılan araştırmalar otomatik olarak hafif bir şekilde 3D form nesli ve nokta bulut işlemede sonuçlar elde edebildi.

AI ve ML'deki güncel eğilimler Solid Modeling

Çeşitli birbirine bağlı eğilimler sanat devletini yeniden tanımlıyor:

Generative Design as a Core Workflow

Belki de en görünür trend, jeneratif tasarım ana akımıdır. Bir para ya da ısı battı, bir tasarımcı işlevsel gereksinimleri belirtir - yük koşulları, malzeme kısıtlamaları, üretim yöntemi - ve algoritma, yüzlerce geçerli adayı üretir. Autodesk Fusion, nTopology ve PP Creo, hiçbir zaman tüm bütün jeneratif yetenekleri tasarlayamaz. Son gelişmeler 30-50% daha hafif güç korurken. AI, mühendisi değiştirir; insan için bir yaratıcılık yaratır.

Topology Optimizasyonu Deep Learning

Topoloji optimizasyonu on yıllardır bir araştırma fikre sahiptir, ancak geleneksel iteratif yöntemler hesaplamalı olarak pahalıdır - MIT'nin Bilgisayar Bilimi ve Yapay Zeka Laboratuvarından gelen bir 2023 yılı boyunca, fiziksel bilgilendirilmiş sinir ağları (PINN) ve konvolutional encoder-decoder mimarisi ile ilgili olarak, saniyeler içinde en iyi şekilde en iyi şekilde en iyi şekilde en iyi şekilde en iyi şekilde en iyi şekilde en iyi şekilde yorumlanabilir.

AI-Assisted Me Nesil ve Geometry şifa

Simülasyon için sağlam bir model hazırlamak genellikle tartışmalı temizlik içerir - kötü kenarlar, kapatma boşlukları ekleyerek, yüksek kaliteli bir ağ oluşturmak. Makine öğrenme modelleri binlerce CAD modelinde eğitilmiş modeller şimdi elementleri düşük tutarken, SimScale ve FE-Design gibi geometrikleri ciddi bir şekilde çözebilir.

3D Modeling için Doğal Ağlar

Muhteşem bir trend, büyük dil modellerinin (LLMs) kullanımı, doğal dil komutlarını sağlam modelleme operasyonlarına dönüştürmek için kullanılır. menülere tıklayarak, bir tasarımcı "3 mm kalın duvarlarla çapına boş bir silindir oluşturabilir" ve sistem hala beta, Autodesk gibi şirketler GPT seviyesindeki görevlerin yerine, CAD senaryosu hakkında iyi niyetli profesyonellere giriş yapmak için bariyere giriş yapmak için söz verir.

Katı Modellemede AI'nın Anahtar Uygulamaları

Geniş trendlerin ötesinde, AI ürün geliştirme yaşam döngüsü boyunca belirli ağrı puanlarını ele alıyor. Aşağıda, orijinal makalede bahsedilen dört uygulama alanını inceler, teknik derinlik ve gerçek dünya örnekleri ile genişletilir.

Design Otomasyon Tasarım

Parametrik Variasyon ve Tasarım Uzay Araştırması

Klasik CAD otomasyon, senaryoları veya makroları değişkenliğe göre kullanır - uzun, açı, yarı iletkenliği - ve bu modeli tekrar tekrar üretir. AI, Bayesian optimizasyon veya Gaussian süreci regresyonunu kullanarak, bir ML ajanı yüksek boyutlu bir tasarım alanını keşfedebilir, hedefleri değerlendirebilir (sorability), ve gelecek bölgelere yönelik hesaplama çabayı yoğunlaştırabilir. Örneğin, bir Formula 1 ekibi, bir süspansiyon kolu için 200 geometrik değişkene sahip olabilir; AI-güdümlü bir simülasyon sayısını binlerceden azaltabilir.

Generative Adversarial Networks (GANs) for Concept Generation

GANs, gerçekçi görüntüler oluşturmak için ünlü, şimdi mühendislik parçaları ile büyük veri setleri üzerinde eğitilmiştir. Milyonlarca otomotiv braketi üzerinde eğitilmiş bir GAN, hem işlevsel hem de estetik olarak tutarlı tasarımlara dönüştürmek için tamamen yeni bir versiyon oluşturabilir. Michigan Üniversitesi'nde araştırmacılar, 3D voxel tabanlı yük yolları ile yapısal bileşenleri üreten bir GAN.

Hata Tespiti Hata Tespiti

CAD Modellerinde Tanımlama

CAD'de geleneksel hata kontrolü zor kodlanmış kurallara dayanıyor: sıfır-toplama kenarlarını kontrol etmek, gizli yüzleri veya eksik doldurmaları. Makine öğrenimi, kural tabanlı sistemleri özleyemeyen kalıpların geçerlilik modüllerine göre entegre edilmiş bir konvoluförel ağ (CNN) için eğitilmiş bir konvoluförlü diskolütme kutusu, tasarım özelliklerini tespit edebilir veya iletişim kurma potansiyeline yol açabilir.

Model Kalitesinin Öngörücü Bakım

Bir model tekrarlanan düzenlemelerden "işmanlık" olduğunda başka bir yenilikçi uygulama tahmin edilmektedir. Parametrik modeller genellikle en üstolojik isim problemlerinden muzdariptir - bir değişiklikten sonra yüz veya kenar kimlik değişiklikleri, alt referanslar molası. ML modelleri bağımlılık grafiğini analiz edebilir ve hangi özelliklerin bir değişiklikten sonra başarısız olabileceğini tahmin edebilir, uyarıları yayınlamadan önce kullanıcıyı uyarmak için uyarılabilir.

Malzeme Optimizasyonu

Data-Driven Material Selection

Bir kısım için doğru materyali seçmek, dengeleyici, ağırlık, maliyet, korozyon direnci ve üretilebilirlik içerir. Granta MI gibi materyal veritabanları binlerce özellik profili içerir, ancak manuel olarak en iyi yeni eşleşmeleri aramak, zaman alıcı yapıları - rastgele ormanlara veya gradient güçlendirmeye dayalı olarak - tasarım gereksinimlerine sahip olun ve belirtilen yükler altında beklenen performansla tamamlamak.

AI-Synthescale Metamates

Belki de en kesme materyali optimizasyonu, belirli bir makroskobik davranışın AI odaklı tasarımıdır - örneğin Delft Teknoloji Üniversitesi'nde bulunan özelliklerle ilgili yapılar, 3D Deep learning modellerini kullanarak mikro-arıklığı% 40 daha iyi hale getirebilir, ardından otomatik olarak aynı şekilde üretim için sağlam bir model haline getirir. Örneğin, Delft Teknoloji Üniversitesi'nde bir takım bir kombinasyon otomatik otomatik otomatikleştirilmiş bir otomatikleştirilmiş bir otomatikleştirici bir şekilde otomatikleştirilmiş bir şekilde 3D lattice tasarlayabilir.

Simülasyon ve Test

Hızlı Approximation için Şaşırtıcı Modeller

Tam sonlu element analizi (FEA) veya hesaplama sıvı dinamikleri (CFD) simülasyonları tasarımda saatlerce sürebilir. AI sprogate modelleri - erken tarama için eğitilmiş çok derin sinir ağları.Bu yaklaşım, Airbus tarafından saniyeler içinde bir miktar yüksek sadakatin dağılımını optimize etmek için kullanıldı.

Fizik-Informal Networks (PINNs)

Siyah kutu sorgularına daha titiz bir alternatif, onları güvenlik-köpektik bir sinir ağıdır, bu da yönetim kısmi diferansiyel denklemleri (PDEs) doğrudan kayıp işlevi olmadan çözebilir. PINNs, ağ tahminlerinin fiziksel yasalara uymasını garanti eder, onları bir sonraki nesil CAD'de standart bir çözüm oluşturabilirken, son zamanlardaki işler sağlam bir malzeme davranışı ve büyük deformasyonlar ile çözülebilir.

Future Yol ve Challenges

Önümüzdeki gibi, AI ve ML'nin katı modellemeye entegrasyonu daha büyük otomasyon ve daha akıllı tasarım araçlarına bile söz veriyor. Ancak, bu teknolojilerden önce birkaç engelin üstesinden gelmeleri gerekiyor.

Future Yol Tarifi

Özerk CAD Agents

Bir mühendisin doğal dilde bir sorun tanımladığı bir geleceği düşünün –” 200 N'i destekleyebilecek bir menajere ihtiyacım var ve geometri oluşturma ve simülasyon tabanlı bir öğrenme için manufacturable sağlam bir model oluşturabilmeli, simülasyonlar yürütebilir ve tüm gereksinimler karşılanabilir.Bu tür ajanların erken prototipleri laboratuvarlarda var olana kadar, LLM'leri geometri oluşturma ve simülasyon tabanlı bir şekilde optimizasyon için jeneratif modeller ile birleştirmelidir.

Gerçek Zamanlı Çaratıcı AI

Onshape gibi bulut tabanlı CAD platformları zaten çok kullanıcı düzenlemelerini destekliyor. Bir sonraki adım tasarım oturumuna katılan bir AI: Bir çatışma ortaya çıktığında, otomatik olarak komşu bileşenleri ayarlarken, hatta tasarımcının niyetini tahmin etmek için.

Dijital Twins ile entegrasyon

Katı model bir dijital ikizin tohumudur - gerçek zamanlı bir sanal dönüştürücünün fiziksel bir ürünün sentezini sağlayacaktır. AI, tasarım ve operasyon arasındaki sağlam modeli dinamik olarak güncellemek için, bir parça deneyim beklenmedik bir titreşim varsa, AI otomatik olarak sağlam modelinin topolojisini titreşimi devretmelerini değiştirebilir, sonra tasarım ve operasyon arasındaki güncel tasarıma zorlayabilir.

Meydanlar

Data Scarcity ve Quality

Güçlü AI modellerinin büyük, temiz, etiketli veri kümelerini sağlam modeller gerektirir. Görüntüler veya metinden farklı olarak, 3D CAD modelleri veri kıtlığı aşmak için özel, çeşitli formatta ve genellikle ABC gibi veri kümeleri içerir, Thingi10K ve ModelNet faydalı ancak sentetik verileri üretmek veya birkaç saat öğrenme gibi teknikleri kullanmak zorunda kalabilir. Ayrıca, veri kalitesi endişe vericidir: eğitim verileri kusurlu modeller içeriyorsa, AI bu kusurları çoğaltmak için öğrenir.

Model Transparency ve Trust

Mühendisler, özellikle güvenlik-kahkadar bileşenleri için kara kutu sistemine güvenmeye isteksizdir. AI önerileri açıklanabilir - sistem neden belirli bir topoloji veya malzeme seçtiğini gösterebilmeli. CAD'nin açıklanmasıyla ilgili olarak araştırma, ISP değerleri veya özellik ataması gibi teknikler 3D geometriye adapte edilmelidir.

C ⁇ Maliyet

3D katı için derin öğrenme modelleri hesaplamak yoğundur. jeneratif bir tasarım ağı için tek bir eğitim, bulut GPU zamanında on binlerce dolara mal olabilir ve hala özel donanım gerektirir.Bu maliyet bariyeri bulut tabanlı, ödemeli kullanım AI CAD hizmetleri olgunlaşır.

Legacy Systems ile entegrasyon

Çoğu endüstriyel tasarım bölümü, mevcut ortamlara takan API'leri ve mikro hizmetleri sağlamalı.PLM veritabanı ve ERP yazılımı.In introduce AI-power features must not restrict existing Jobss. Vendors need to provide APIs and microservices that plug into current environment.The Rise-source CAD (e.g., OpenCascade) and evrensel dosya formatları (STEP, JT) kolay bir entegrasyonla ilgili olarak, ancak mevcut ortamlara takan önemli bir pratik zorluk olmaya ihtiyaç duyar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Katı modellemenin geleceği sadece parlak değildir - bu trendlerin yakınlaştırılması ve sentezlemeleri ile birlikte yeniden yazılmaktadır.Sürekli tasarım yazılımları hakkında milyonlarca alternatif keşfeder ve Autodesk gibi endüstri liderleriyle birlikte zaman kalır [Dönemli, daha akıllı ve çok yaratıcı.)

Elbette, zorluklar kalır: veri kalitesi, AI kararlarına güven, hesaplama maliyeti ve uzmanlık alanında uzmanlığa ihtiyaç duyar. Bu engelleri aşmak, akademi, yazılım satıcılar ve son kullanıcılar arasında işbirliğine ihtiyaç duyacaktır. Ancak bu soru, AI'nın sağlam modellemeyi dönüştürmeyeceğine artık bir şey değildir, ancak bu engelleriz, yeteneklerimizi ve zihniyetlerimizi tam olarak nasıl adapte edebileceğimize karar verir.

Bu hazır için kaynaklar büyüyor.()CadQuery[DÜDÜDÜSÜŞÜye Olmayan Akademik Anketler Bugün inşa ediliyor [DÜye Olmayanlar İçin) ve her mühendis mükemmel başlangıç noktaları sağlar.