کاربردهای هوش مصنوعی و یادگیری ماشین در طراحی و بهینه سازی سیستم های مهندسی مکانیک

پیشرفت های اخیر هوش مصنوعی (AI) و یادگیری ماشین (ML)، روش های طراحی و شبیه سازی در مهندسی مکانیک را دگرگون کرده است. این مقاله کوتاه به بررسی کاربرد های این الگوریتم ها در کاهش هزینه های محاسباتی و زمان شبیه سازی سیستم های پیچیده می پردازد و نشان می دهد که چگونه رویکردهای مبتنی بر داده توانسته اند جایگزین یا مکمل روش های سنتی شوند. در این رویکرد، به جای حل مستقیم معادلات دیفرانسیل پیچیده، از الگوریتم هایی نظیر شبکه های عصبی مصنوعی (ANN)، یادگیری عمیق (DL) و یادگیری تقویتی (RL) استفاده می شود. یکی از پیشرفته ترین روش ها، شبکه های عصبی آگاه از فیزیک (PINN) است که قوانین فیزیکی (مانند بقای جرم و انرژی) را در تابع زیان (Loss Function) شبکه عصبی ادغام می کند. کاربرد این روش ها در سه حوزه اصلی مکانیک جامدات و سیالات، طراحی زایشی و پایش وضعیت ماشین آلات می باشد. ادغام AI و ML با مهندسی مکانیک، چرخه تحقیق و توسعه را به شدت کوتاه کرده و افق های جدیدی در طراحی قطعات پیچیده گشوده است. با این وجود، کاربرد صنعتی این سیستم ها با چالش هایی نظیر «نیاز به داده های حجیم و باکیفیت برای آموزش» و «ماهیت جعبه سیاه (Black-box) بودن الگوریتم ها» مواجه است. تحقیقات آینده باید بر توسعه مدل های شفاف تر و ترکیب عمیق تر فیزیک حاکم بر سیستم ها با الگوریتم های یادگیری ماشین متمرکز گردد تا قابلیت اطمینان این روش ها در صنایع حساس تضمین شود.

کلیدواژه ها:

کاربردهای هوش مصنوعی ، یادگیری ماشین ، طراحی و بهینه سازی سیستم های مهندسی مکانیک