رویکرد ترکیبی هوش مصنوعی و طراحی مکانیکی در توسعه سامانه های فیزیکی هوشمند: از ایده تا پیاده سازی

به عنوان پژوهشگر میان رشته ای با زمینه تخصصی در مهندسی مکانیک و تمرکز بر هوش مصنوعی کاربردی، در سال های اخیر تلاش من بر توسعه سامانه های فیزیکی هوشمند با قابلیت یادگیری، ادراک محیطی و تصمیم گیری مستقل متمرکز بوده است. تجربه ی عملی در طراحی و ساخت سیستم های مکانیکی، به ویژه در حوزه تفکیک مایعات و سامانه های پایش محیطی، مرا به سمت استفاده از مدل های یادگیری ماشین در تعامل با سخت افزارهای فیزیکی سوق داد.

یکی از حوزه هایی که در آن فعالیت تحقیقاتی داشته ام، طراحی سیستم جداسازی مایعات ناهمگن با استفاده از سانتریفیوژ هوشمند است. این پروژه با تکیه بر مفاهیم پایه ای دینامیک سیالات، طراحی پره و کاسه روتور، و همچنین پیاده سازی الگوریتم های یادگیری ماشین مانند KNN و درخت تصمیم (Decision Tree) انجام شد. این الگوریتم ها به کمک پردازش تصویری (OpenCV) قادر به شناسایی نوع و نسبت مایعات ورودی و کنترل سرعت چرخش سانتریفیوژ به صورت بلادرنگ بودند.

در این مسیر، یکی از چالش های اصلی، تطبیق تصمیم گیری نرم افزاری با رفتارهای دینامیکی قطعات مکانیکی در زمان واقعی بود. برای رفع این مشکل، از سامانه های کنترلی مبتنی بر میکروکنترلر Arduino Mega 2560 و ماژول های حسگر التراسونیک و نوری استفاده کردم که به سیستم اجازه می داد بازخوردهای محیطی را به دقت دریافت و پردازش کند. تجربه اجرای پروژه در شرایط واقعی و آزمایشگاهی، باعث شد تا به اهمیت مدل سازی داده محور در سیستم های فیزیکی واقف شوم؛ جایی که ترکیب داده های تجربی و دانش فیزیکی می تواند منجر به طراحی سامانه هایی با کارایی بالاتر، هزینه کمتر و دقت بیشتر شود.

دیدگاه من این است که آینده ی فناوری نه صرفا در توسعه الگوریتم های نرم افزاری یا قطعات سخت افزاری به تنهایی، بلکه در هم افزایی میان هوش محاسباتی و طراحی مهندسی نهفته است. این بینش، مبنای فعالیت های پژوهشی من در مسیر طراحی سامانه هایی با قابلیت یادگیری، خودتنظیمی و تعامل هوشمند با محیط بوده است. در گام های بعدی، به دنبال توسعه مدل هایی بر پایه شبکه های عصبی کانولوشنی (CNN) و پیاده سازی آن ها روی بردهای سبک وزن و قابل حمل برای به کارگیری در پروژه های محیط زیستی و صنعتی هستم.