يطور الباحثون مُحسِّن التعلم الآلي لخفض تكاليف تصميم المنتجات

يطور الباحثون مُحسِّن التعلم الآلي لخفض تكاليف تصميم المنتجات

تعد عمليات المحاكاة الحاسوبية جزءًا هامًا من عملية تحسين تصميم المنتج، مما يسمح للمهندسين باختبار التكوينات المختلفة واختيار أفضل تصميم من بين العديد من البدائل المختلفة. ولكن حتى في منشأة مثل مختبر أرغون الوطني التابع لوزارة الطاقة الأمريكية (DOE)، مع مواردها الحديثة، يمكن أن تكون عمليات المحاكاة باهظة الثمن وتستغرق وقتًا طويلاً.

بهدف تسريع عملية التصميم هذه، قام فريق بحث في قسم أنظمة الطاقة (ES) في Argonne، والذي يتألف من معين بعد الدكتوراه Opeoluwa Owoyele وعالم الأبحاث بيناكي بال، بتطوير أداة جديدة لتحسين التصميم تسمى ActivO. يمكن للأداة الجديدة أن تقلل بشكل كبير من الوقت اللازم للعثور على أفضل تصميم.

التعلم الآلي

يستخدم تقنية جديدة للتعلم الآلي تساعد المستخدمين على التركيز على كيفية استهداف الموارد الحسابية بكفاءة أكبر. (التعلم الآلي هو أحد تطبيقات الذكاء الاصطناعي الذي يسمح للأنظمة بالتعلم والتحسين تلقائيًا من التجربة.)

وأوضح بال: “يدير ActivO عمليات المحاكاة بطريقة ذكية للغاية ويحدد بسرعة أجزاء مساحة التصميم التي يجب أن نركز عليها”. “يمكن الآن إكمال العملية التي كانت تستغرق شهرين إلى ثلاثة أشهر لمنحك التصميم الأمثل في غضون أسبوع تقريبًا.”

تم عرض نهج ActivO بنجاح لاستخدامه في تحسين محركات الاحتراق – وهي منطقة اهتمام نشطة لـ Owoyele و Pal – في مقال نشرته الجمعية الأمريكية للمهندسين الميكانيكيين (ASME)، كجزء من المؤتمر الفني لقسم محرك الاحتراق الدولي لخريف 2019 . ستظهر المقالة أيضًا قريبًا في ASME Journal of Energy Resources Technology.

ActivO

وفقًا لـ Owoyele، المؤلف الرئيسي للورقة البحثية مع Pal. فإن ActivO عبارة عن خوارزمية هجينة تعزز نقاط القوة في نموذجين مختلفين للتعلم الآلي للحصول على أداء فائق.

“تم تصميم نماذج التعلم الآلي للعمل بشكل تعاوني. وبدلاً من تشغيل عمليات المحاكاة التي يتم أخذ عينات منها بشكل عشوائي، يتيح لنا أحد النماذج استكشاف مساحة التصميم بشكل تكيفي، وهو ما يرشدنا بشكل أساسي إلى المناطق التي من المرجح أن تحتوي على المستوى العالمي الأمثل. نموذج آخر يبحث في تلك المناطق الواعدة ويقوم بإجراء بحث محلي لتحديد الموقع الدقيق للأمثل العالمي. “

يستفيد هذا النهج من بدائل التعلم الآلي “لاستكشاف” و “استغلال” مساحة التصميم بطريقة أكثر توازناً وفعالية من التقنيات التطورية التقليدية المستخدمة في الصناعة. مثل الخوارزميات الجينية. ونتيجة لذلك، قال أوويلي إن ActivO تتقارب مع المستوى العالمي الأمثل تقريبًا بسرعة أكبر.

وأضاف بال أن ActivO تعمل على دفعات صغيرة من عمليات المحاكاة. مما يجعلها ذات قيمة خاصة للمستخدمين الصناعيين، نظرًا لأنهم غالبًا لا يمتلكون القدرة الحسابية لتشغيل مجموعات كبيرة من عمليات المحاكاة.

بينما لدى Owoyele و Pal طلب براءة اختراع معلق على تقنية البرنامج هذه، قالا إن ActivO جاهزة بشكل أساسي للنشر. ركز عملهم حتى الآن بشكل أساسي على محركات السيارات، لكنهم يرون أيضًا تطبيقات أخرى قد تكون مفيدة.

خفض تكاليف التصميم للصناعة

قال أوويلي: “إن ActivO مناسبة تمامًا لاستكشاف مساحة التصميم التي تعتبر نموذجية لمحركات الاحتراق في صناعات السيارات والطيران”. “ولكن يمكن أيضًا استخدامه لتحسين التصميم لمنتج عام. يمكن اعتماده بسهولة من قبل الصناعة لتحسين سير عمل التصميم، مما يقلل تكاليف تصميم المنتج. هناك فرص تسويق كبيرة في هذا الصدد.”

في المساعدة على خفض تكاليف التصميم للصناعة، قال بال إن هناك فائدة أكثر أهمية على المدى الطويل. “الهدف الأكبر هو تمكين كفاءة الطاقة وتقليل التأثير البيئي لهذه المحركات. ولهذا السبب في النهاية نريد تصميم محركات أفضل وأكثر ابتكارًا.”

أشار كلا الباحثان إلى مرافق الحوسبة الضخمة عالية الأداء في Argonne التي قامت بالتحقق والتحقق من صحة الخوارزمية الموجودة في قلب مُحسِّن ActivO. قال بال: “لقد مكنتنا الموارد الحسابية التي لدينا في Argonne من القيام بذلك بشكل صارم”.

يمكن قراءة المزيد من الابتكارات والاختراعات المختلفة من خلال الضغط هنا

للاطلاع على المزيد من المواضيع وأبرز المقالات عبر موقع سجلات الأردن اضغط هنا