Sự nổi lên của trí thông minh nhân tạo trong thiết kế cơ khí hiện đại

Trí thông minh nhân tạo (AI) đã cơ bản định hình lại cách mà các kỹ sư và nhà khoa học tiến tới tối ưu của hệ thống cơ khí. Quá trình thiết kế truyền thống thường dựa vào sự lặp lại bằng tay, chuyên môn về lĩnh vực và thử nghiệm, và thử nghiệm, kiểm tra khủng bố, và các phương pháp đo lường mà vừa tốn thời gian vừa có hạn chế trong phạm vi. AI cung cấp một sự thay đổi mô hình, cho phép sự phát triển dữ liệu, tự động của các không gian thiết kế trước đây không thể định vị. Bằng cách sử dụng các kỹ thuật như máy học, mạng thần kinh và các thuật tiến hóa, giờ đây có thể đạt được nhanh hơn về giải quyết các giải quyết các giải pháp tối ưu, giải thích cấu hình không trực tiếp, và giảm chi phí phát triển từ các ngành công nghiệp tự động và điện tử và máy móc và máy móc.

Chủ nghĩa cơ khí là gì?

Chủ nghĩa cơ khí tối ưu là quá trình điều chỉnh biến số thiết kế như độ dài liên kết, hằng số mùa xuân, số bánh răng, hay vật liệu để đáp ứng mục tiêu hiệu suất cụ thể. những mục tiêu này thường bao gồm việc giảm thiểu tiêu tiêu tiêu tiêu tiêu tiêu thụ năng lượng, tối đa hóa tốc độ hoặc mô-men xoắn, tăng cường ổn định trong tải, giảm cân nặng, giảm cân, hoặc tăng cường tuổi thọ mệt mỏi. vấn đề tối ưu hóa có thể là sự thay đổi duy nhất hoặc đa đa đa đa đa đa đa, nơi mà các mục tiêu phải cân bằng.

Tuy nhiên, những kỹ thuật này yêu cầu một mô hình toán học xác định rõ ràng và thường bị mắc kẹt trong tối ưu địa phương. Hơn nữa, khi hệ thống cơ học trở nên phức tạp hơn - với động lực không tuyến tính, tương tác đa khí học, và tính chịu chặt chẽ chi phí của việc tìm kiếm tiết lộ ra các thuật toán trở nên nghiêm trọng.

Các lõi kỹ thuật điều khiển tự động

Việc học hỏi và thay thế máy

Học tập (ML) mô hình máy hoạt động như là vật lý giả lập dựa trên vật lý đắt tiền. Bằng cách đào tạo một tập hợp các điểm thiết kế đánh giá nhanh các yếu tố phân tích hữu hạn (FEA) hoặc kỹ thuật toán động lực học (CFD), mô hình ML học để dự đoán kết xuất xuất của các kết xuất như là một chức năng đầu vào thiết kế. Điều này cho phép việc khám phá nhanh các cấu hình không chạy trình mô phỏng đầy đủ mỗi lần. Kỹ thuật như quá trình hồi quy kiểu Gausian, rừng ngẫu nhiên, và mạng thần kinh thường được sử dụng. Lấy thí dụ, các nhà nghiên cứu tại [FT: 0] mạng lưới thần kinh [FMT] được dùng để kết nối bốn chiều cao] với cơ chế [FT], giảm thiểu số giả lập trình mô phỏng tính năng cần thiết.

Thuật toán di truyền và động tác tiến hóa

Thuật toán di truyền (GAs) mô phỏng sự chọn lọc tự nhiên: một nhóm ứng cử viên được tiến hóa qua sự chọn lọc, vượt qua và đột biến qua nhiều thế hệ. Giá trị thể dục của mỗi thế hệ được đánh giá tối ưu so với chức năng khách quan. GAs đặc biệt hiệu quả cho sự tối ưu hóa đa (v. d., danh sách nhận diện trước của người dùng) và cho các vấn đề với biến phân tách/ liên tục. Ứng dụng thế giới thực bao gồm tối ưu hóa thiết kế động cơ của cánh tay máy, máy, hồ sơ và kết nối. Lấy thí dụ đáng chú ý là sử dụng thuật toán [FL: 0] để giảm thiểu sự rung động trong một cơ chế cao [FL].

Học thêm sức mạnh

Việc học tăng cường (DRL) huấn luyện một tác nhân để có những quyết định liên quan đến sự tương tác với môi trường. Trong thiết kế cơ chế, DRL có thể điều chỉnh các tham số một cách sống động trong thao tác (v. d., biến số liên kết giữa các biến số hoặc hệ thống ẩm ướt hoạt động) để thích ứng với điều kiện thay đổi. Tính năng này đặc biệt có giá trị trong hệ thống tự động và cấu trúc thích nghi. Ví dụ, các nhà nghiên cứu [FL: 0] đã áp dụng DL để tối ưu hóa chính sách truyền tải liên tục [FL: 1], cải thiện năng lượng và độ dẻo nhanh.

Các ứng dụng kỹ thuật và nghiên cứu trường hợp

Tự động: Sự kết hợp và sự rửa tội của phái lái

Việc tối ưu hóa AI được sử dụng rộng rãi để điều chỉnh các hình học để chuyển đổi, xử lý và đeo lốp. Bằng cách kết hợp động lực đa cơ với thuật toán di truyền, các kỹ sư có thể tìm thấy tốc độ mùa xuân, đường cong ẩm ướt, và các đường cong có độ cứng khác nhau. Một nghiên cứu cho thấy [FLT: 0] Mô phỏng giảm sút hai xương đòn treo cổ, giảm 12% trong khi cải thiện độ cứng góc [FL1].

Không gian: Công thức điện tử và cánh Morphing

Trong không gian hàng không, trọng lượng giảm thiểu trong khi duy trì tính toàn vẹn của cấu trúc là tối quan trọng. kỹ thuật AI kết hợp các siêu địa chất với việc học máy tính để tạo ra cấu trúc khung hoặc sự tổng hợp mà đáp ứng các yêu cầu về sức mạnh và trọng lượng. để biến đổi cơ chế cánh, mô hình học sâu dự đoán các vật lý khí động học và điều chỉnh kết nối địa lý trong thời gian thực. Boebus và Airbus có cả hai đầu tư trong các tối ưu hoá máy bay thế hệ tiếp theo.

Người máy: Sự sáng tạo và thiết kế Gait

Những thuật toán di truyền đã được sử dụng để tiến hóa tỷ lệ chân và vị trí mà giảm thiểu tiêu thụ năng lượng mỗi bước tiến.

Điện tử tiêu dùng: Máy sinh học sinh học cho người mang

Trong các thiết bị nhỏ như đồng hồ thông minh và điện thoại gấp, cơ chế tối ưu phải cân bằng các hạn chế không gian với khả năng ổn định. tối ưu hóa AI có thể tạo ra các thiết kế hậu cần vừa nhẹ vừa mệt mỏi. Các công ty như Samsung đã báo cáo giảm chu kỳ phát triển của cơ chế điện thoại gấp lại 40% bằng cách sử dụng mô hình thay thế thần kinh.

Lợi thế hơn phương pháp truyền thống

  • Thời gian thiết kế ) – Al có thể đánh giá hàng ngàn thiết kế ứng cử viên trong thời gian cần một kỹ sư để kiểm tra một số ca bệnh công nghiệp báo cáo một sự tăng tốc độ.
  • Sự khai thác không gian cao không trực quan ) – thuật toán AI có thể tìm ra giải pháp mà sẽ không bao giờ xảy ra cho một kỹ sư loài người, như là sự liên kết đối xứng hoặc sự phân phối vật liệu không đối xứng.
  • Sự mạnh mẽ và đáng tin cậy ) – Bằng cách tổng hợp tính không chắc chắn, tối ưu AI-DDD có thể tạo ra những thiết kế thực hiện tốt dưới những biến thể thực tế trong việc tải, sản xuất dung thứ, và điều kiện môi trường.
  • Sự đổi mới ) – Tìm kiếm tự động thường tiết lộ các hệ thống và cơ chế mới sẽ trở thành cơ sở cho các dòng sản phẩm mới hoặc bằng sáng chế.

Những thử thách và giới hạn hiện tại

Yêu cầu tính toán và dữ liệu

Trong nhiều bối cảnh kỹ thuật, những dữ liệu như thế rất đắt để tạo ra (v. d., mỗi mô phỏng CN có thể mất nhiều giờ). Những máy tính như việc chuyển giao học tập, học tập và học tập tích cực, và các mạng thần kinh có tính toán đang nổi lên để giảm nhu cầu dữ liệu, nhưng chúng chưa được cắm và chơi. Hơn nữa, chạy các thuật toán tiến hóa có thể đòi hỏi nhiều nguồn tài nguyên đáng kể, đặc biệt là mô hình đa vật lý phức tạp.

Khả năng hiểu và sự tin cậy

Nhiều mô hình AI, đặc biệt là mạng lưới thần kinh sâu sắc, hoạt động như hộp đen. các kỹ sư rất cẩn thận về việc áp dụng thiết kế được khuyến cáo bởi một mô hình không thể giải thích lý do của nó. nỗ lực trong việc giải thích AI (XAI) cho kỹ thuật đang thu hút sự chú ý, nhưng vẫn còn thiếu một khuôn khổ chuẩn cho các cơ chế gây sốc của Ai-pritized - đặc biệt là trong các ngành công nghiệp nghiêm trọng về an toàn như vũ trụ và các thiết bị y tế.

Hợp nhất với dòng công việc đang hoạt động

Hầu hết các tổ chức kỹ thuật dựa trên di sản CD và các công cụ mô phỏng. Việc tối ưu hóa động cơ AI vào các đường ống này thường đòi hỏi thiết bị chữ viết và phần mềm giữa. Trong khi các nền tảng thương mại như [FLT: 0] thì ansy tối ưu và [FLT2]Siulia Is [FL: Tuỳ biến M, đường cong học vẫn còn dốc cho nhiều nhóm.

Hướng tương lai

Mô hình vật lý- giả dạng và lai

Những người tối ưu hóa AI thế hệ tiếp theo sẽ liên kết các định luật vật lý trực tiếp vào quá trình học. mạng thần kinh có thông tin hóa (PINN) thực hiện các phương trình bảo tồn, cho phép dự đoán chính xác ngay cả với dữ liệu hạn chế. Mô hình lai kết hợp những người máy mô phỏng với dữ liệu thí nghiệm sẽ trở thành tiêu chuẩn, làm ô nhiễm khoảng cách giữa các cặp song sinh kỹ thuật số và thử nghiệm vật lý.

Máy tự động học (tự độngML) cho thiết kế máy móc

Các công cụ tự động chọn các thuật toán tốt nhất, hyperpameters, và các bước xử lý dữ liệu sẽ làm giảm rào cản cho các nhà kỹ sư. Các kỹ sư sẽ có khả năng mô tả vấn đề tối ưu hóa của họ trong ngôn ngữ tự nhiên hoặc qua giao diện kéo và thả, để cho AI xử lý chi tiết thuật toán.

Các cơ khí thích ứng thời gian thực

Với sự tăng của các máy tính cạnh và các cảm biến độ trễ, các cơ chế tối ưu AI sẽ có thể tự tái cấu hình trên ruồi. Hãy tưởng tượng một đầu gối giả tiếp tục điều chỉnh độ ẩm của nó dựa trên phân tích gait, hoặc một lưỡi tua bin gió biến dạng hình học không khí của nó để phản ứng với các cơn gió. Những hệ thống này sẽ phụ thuộc vào mạng thần kinh nhỏ hoạt động trên các bộ điều khiển nhúng.

Thiết kế hệ thống và sản xuất thêm

Sự kết hợp của thiết kế sáng tạo (hình dạng tự động và địa chất AI tối ưu) với việc in thêm (ba chiều) khoá các phần mạnh hơn và nhẹ hơn các phần khác được tạo ra theo truyền thống. Các công ty như [FLT: 0] tự động và [FLT2] đã cung cấp nền tảng [FLT:] mà sử dụng AI để tạo ra các đồ thị sinh học hữu cơ mà không thể sử dụng máy, và sau đó xác nhận thông qua mô phỏng.

Kết luận

Trí thông minh nhân tạo không chỉ là một sự cải tiến tăng dần trong cơ chế tối ưu hóa nó đại diện cho một sự thay đổi cơ bản trong cách nhận thức, lặp lại và cuối cùng hóa thiết kế cơ học. bằng cách tự động tìm kiếm các cấu hình tối ưu, AI giảm thiểu giá trị cơ thể đắt tiền về việc sử dụng, ngắn hạn chế phát triển, và cho phép mức độ hiệu suất và đổi mới đã được vượt quá tầm với. tuy nhiên, sự chuyển đổi không phải là không có rào cản: dữ liệu, tính toán, yêu cầu tính toán, khả năng kết hợp và sự kết hợp công việc phải được giải quyết. như những thách thức này được giải quyết thông qua nghiên cứu và công cụ thương mại, cơ chế tự động sẽ trở thành một phần thiết kế cần thiết của các thiết, thiết của các thiết bị tiêu dùng để hỗ trợ, không phải là những thiết kế tương lai của con người, mà chỉ là những thiết kế tương lai của các thiết kế để liên tục và liên tục.