کاربرد مدلهای هوش مصنوعی در پیش بینی اعوجاج و پایداری سازه ها

در سال های اخیر پیشرفت سریع در حوزه هوش مصنوعی (AI) و یادگیری ماشین (ML) چشم انداز جدیدی در مهندسی مواد و سازه ها گشوده است. فرآیندهای صنعتی پیچیده ای نظیر جوشکاری، کمانش سازه های جدار نازک و تولید یا ساخت افزایشی قطعات فلزی دارای رفتارهای غیرخطی و چندمتغیره هستند که هوش مصنوعی، یادگیری ماشین، مدل سازی دقیق آن ها با روش های عددی و تجربی سنتی اغلب با هزینه و زمان محاسباتی بالا همراه است. در این مقاله با مرور و تحلیل مطالعات اخیر یک چارچوب داده محور برای مدل سازی، پیش بینی و بهینه سازی فرآیندهای مواد ارائه می شود که تلفیقی از سه حوزه ی کلیدی است: پیش بینی تغییر شکل های ناشی از اعوجاج و کمانش جوشکاری با استفاده از شبکه های عصبی مصنوعی، تحلیل پایداری و بار بحرانی سازه های جدار نازک با الگوریتم های یادگیری ماشین و کاربرد هوش مصنوعی در ساخت افزایشی و تولید مواد نوین. بررسی ها نشان می دهد که مدل های هوشمند از جمله شبکه های عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و رگرسیون فرآیند گاوسی (GPR) قادرند با دقتی در حدود ۹۰ تا ۹۹ درصد رفتارهای فیزیکی و مکانیکی پیچیده را بازتولید کرده و جایگزینی سریع، دقیق و کم هزینه برای روش های عددی کلاسیک مانند المان محدود فراهم سازند. در نهایت نتایج این پژوهش تاکید می کند که ادغام روش های یادگیری ماشین در مهندسی مکانیک می تواند به طور چشم گیری موجب افزایش بهره وری، کاهش هزینه و شتاب بخشی به فرآیند طراحی و تحلیل در صنایع پیشرفته شود.

کلیدواژه ها:

ماشین جوشکاری ، سازه های جدار نازک ، ساخت افزایشی ، مدل شبکه عصبی مصنوعی ، رگرسیون فرآیند گاوسی