محققان در جستجوی راه هایی برای حل دقیق و م effectivelyثر مشکلات مدل سازی پیچیده هستند – ScienceDaily


مهندسی سفینه فضایی به همان اندازه دشوار است که به نظر می رسد. مدل سازی نقش اصلی را در زمان و تلاش لازم برای ایجاد فضاپیماها و سایر سیستم های مهندسی پیچیده ایفا می کند. این نیاز به محاسبات گسترده فیزیکی ، الک کردن مدلهای مختلف و دانش قبیله ای برای تعیین قسمتهای جداگانه طراحی سیستم دارد.

تحقیقات دکتر ذوهیب حسنین نشان می دهد که تکنیک های داده محور که در سیستم های خودمختار به کار می روند ، توانایی حل دقیق و م effectivelyثرتر این مشکلات پیچیده مدل سازی را دارند. با استفاده از هوش مصنوعی بسیار کاربردی در فرآیندهای مبتنی بر فیزیک ، سعی در مدل سازی “خودکار” ، کاهش زمان مورد نیاز برای تولید راه حل ها و کاهش هزینه های تولید دارد.

حسنین گفت: “اگر من سعی می کنم کاری مانند مثلاً طراحی مداد را انجام دهم ، فرآیندی در طراحی این مداد وجود دارد.” “من مجموعه ای از گام ها را دارم که با توجه به شناختی که در اختیار دارم ، بر اساس آنچه دیگران در گذشته انجام داده اند ، برمی دارم. هر چیزی که می تواند از طریق یک فرآیند یا الگوریتم روی کاغذ توصیف شود ، می تواند باشد خودکار شده و در متن یک سیستم خودمختار تجزیه و تحلیل می شود. “

استادیار گروه مهندسی مکانیک در J. Mike Walker ’66 ، Hasnain هنگام کار در صنعت هوافضا فهمید که پروژه ها به دلیل تلاش برای مدل سازی در حال کند شدن هستند. دانشمندان و محققان ضمن انجام فرایندهای مدل سازی سنتی ، مجبورند مدل های مختلفی را ایجاد کنند که بسیاری از آنها نیاز به آزمایش دارند. علاوه بر این ، ارائه اسناد از طریق مدل های جداگانه برای به دست آوردن پاسخ بسیار طولانی می شود. یک نمونه از مدل سازی سنتی برای سیستم های فضایی ، پویایی سیالات محاسباتی یا CFD است که با استفاده از تجزیه و تحلیل عددی ، راه حل های منجر به هزینه های محاسباتی و نیروی انسانی را برای بررسی تعیین می کند.

حسنین گفت: “من همیشه فکر می کردم کارهایی باید انجام شود زیرا سیستم ها و ماشین های خودمختاری وجود دارد که به نظر می رسد قادر به مقابله با موانع مدل سازی شده هستند.” “تحقیقات من اولین قدم در درک چگونگی و زمان مفید بودن تکنیک های داده محور است ، با هدف نهایی شروع فرایندی که حل آن ماه ها یا هفته ها طول می کشد و به دست آوردن یک راه حل در چند ساعت یا چند روز طول می کشد.”

Hasnain ، همراهی با دستیار دکتر Vinayak R. Krishnamurti و دستیار فارغ التحصیل Kaustubh Tangsali ، مطالعه ای را انجام داد تا بفهمد معماری یادگیری ماشین مانند شبکه های عصبی کانولوشن (CNN) و شبکه های عصبی آگاه به فیزیک (PINN) چند بار استفاده می شود. هنگامی که به مشکل پیش بینی مایع اعمال می شود. رویکرد داده محور از یک پایگاه داده مدل سازی موجود برای آموزش مدلی در تغییرات دقیق کنترل شده در فیزیک اساسی سیال و همچنین هندسه هایی که مایع در آن جریان دارد ، استفاده می کند. سپس از این مدل برای پیش بینی استفاده می شود. تحقیقات آنها نشان داد که CNN و PINN اگر روی جنبه های بسیار خاص فرآیند تصمیم گیری تمرکز کنند ، توانایی بهینه سازی فرآیندهای مدل سازی را دارند. آنها اکنون روی یک روش یادگیری ترکیبی کار می کنند تا به هدف نهایی خود یعنی سرعت بخشیدن به روند طراحی برسند.

حسنین گفت: “ما در حال بررسی مجموعه ای متفاوت از ابزارها هستیم که جایگزین ابزارهای قدیمی می شوند.” “ما در حال تلاش برای درک نحوه رفتار این ابزارهای جدید در متن برنامه هایی هستیم که به طور سنتی توسط تکنیک های راه حل اولیه انجام می شود.”

محققان یافته های خود را در مجله طراحی مکانیکی. مقاله آنها ، “تعمیم شبکه های همگام رسیور-رسیور برای پیش بینی زمینه جریان آیرودینامیکی در تغییرات سیالات هندسی و فیزیکی” ، درک ابزارهای بعدی است که توانایی جایگزینی ابزارهای مدل سازی را دارند که استاندارد فعلی صنعت هستند. .

از نتایج تحقیق ، Hasnain امیدوار است که زیرساختی مستقل برای استخراج از مجموعه داده ها برای تولید راه حل های مدل سازی با استفاده از معماری ترکیبی یادگیری ماشین ایجاد کند. از طریق الگوریتم ها و داده های از پیش موجود ، زیرساخت یک فرایند مدل سازی است که می تواند در سیستم های مختلف در برنامه های واقعی اعمال شود. در نهایت ، او قصد دارد این زیرساخت ها را برای استفاده گسترده و رایگان به اشتراک بگذارد.

حسنین گفت: “من دوست دارم این زیرساخت ها یک ابتکار جامعه باشد که به صورت رایگان به همه ارائه شود.” “شاید مهمتر از آن ، زیرا می تواند برخلاف مدل سازی مدرن فعلی ، که بسیار وقت گیر است ، راه حلهای مورد نیاز را ایجاد کند.”

زیرساخت ها در مرحله اولیه توسعه قرار دارند. Hasnein و محققان همکارش در حال تلاش برای ایجاد نمونه اولیه در آینده نزدیک هستند.

تاریخچه تاریخ:

مواد تهیه شده توسط دانشگاه تگزاس A&M. اصلی ، نوشته شده توسط میشل رولز. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.


منبع: khabar-erfan.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*