سیستم دلتا NCSA پیش بینی استرس را با هوش مصنوعی افزایش می دهد

محققان مرکز ملی کاربردهای ابرکامپیوتر (NCSA) و کالج مهندسی گرینگر، دانشگاه ایلینویز Urbana-Champaign (UIUC)، در تحقیقات پیش‌بینی استرس با استفاده از هوش مصنوعی پیشرفت‌هایی انجام داده‌اند. هدف کار آنها، با تمرکز بر پیاده سازی شبکه اپراتور عمیق (DeepONEt)، بهبود پیش بینی پاسخ استرس در هندسه های پیچیده، مانند مواردی که در تولید افزودنی یافت می شود. با استفاده از سیستم دلتای NCSA، آنها به نتایج بسیار سریع‌تری در مقایسه با روش‌های المان محدود سنتی دست یافته‌اند.

سیستم دلتا NCSA پیش بینی استرس را با هوش مصنوعی افزایش می دهدسیستم دلتا NCSA پیش بینی استرس را با هوش مصنوعی افزایش می دهد
مقایسه راه حل استرس، پیش بینی DeepONEt در مقابل راه حل غیرخطی مواد (پلاستیک) المان محدود (FE). (اعتبار تصویر: UIUC)

این تیم تحقیقات خود را از طریق Illinois Computes انجام دادند، برنامه ای که محاسبات و منابع ذخیره سازی داده گسترده ای را ارائه می دهد. این ابتکار همکاری در رشته های مختلف را تسهیل کرده است و یادگیری ماشین و مکانیک محاسباتی را با هم ترکیب می کند. سیستم دلتا که به خاطر قابلیت‌های محاسباتی GPU با کارایی بالا مشهور است، در آموزش شبکه‌های عصبی عمیق و تولید داده‌های آموزشی با استفاده از نرم‌افزار Abaqus بسیار مهم بود.

دو مقاله مهم از این تحقیق پدید آمده است. اولین مورد، در “روش های کامپیوتری در مکانیک و مهندسی کاربردی”، یک DeepONet جدید را با استفاده از یک U-Net باقیمانده (ResUNet) برای رمزگذاری هندسه های پیچیده معرفی می کند. این رویکرد اولین استفاده از ResUNet را در معماری DeepONet نشان می‌دهد که کارایی حافظه و انعطاف‌پذیری بالاتری را نسبت به روش‌های سنتی نشان می‌دهد.

مقاله دوم که در “کاربردهای مهندسی هوش مصنوعی” منتشر شده است، نسخه ابتکاری DeepONEt دیگر، S-DeepONEt را توصیف می کند. این روش از روش‌های پیشرفته یادگیری متوالی استفاده می‌کند و دقت بیشتری را در راه‌حل‌های چند فیزیک تحت بارهای حرارتی و مکانیکی متفاوت ارائه می‌دهد.

بخوان:  گیره های چاپ در محل « Fabbaloo

ایوانا جاسیوک، استاد علوم و مهندسی مکانیک در UIUC گفت: «تولید افزودنی یک تکنیک تولید انقلابی است که تقریباً امکانات نامحدودی را برای اجرای آن باز می‌کند.»

DeepONEt به عنوان یک ابزار محاسباتی قدرتمند و سریع عمل می‌کند که می‌تواند فرآیند تولید افزودنی را در مقیاس‌های مکانی و زمانی مختلف شبیه‌سازی کند. چنین شبیه‌سازی‌هایی برای درک عمیق‌تر فرآیند تولید مواد افزودنی و پیاده‌سازی و نظارت بر آن مورد نیاز است.

این تحقیق نه تنها یک جهش در کاربردهای هوش مصنوعی است، بلکه پیامدهای مهمی برای فرآیندهای تولید پیشرفته و توسعه دوقلوهای دیجیتال دارد. تلاش مشترک بین NCSA و MechSE هم افزایی تخصص چند رشته ای و فناوری پیشرفته را برجسته می کند.

بیایید و نظرات خود را در فیس بوک به ما بگویید، ایکسو صفحات لینکدین، و فراموش نکنید که در خبرنامه هفتگی تولید مواد افزودنی ما ثبت نام کنید تا آخرین داستان ها را مستقیماً در صندوق ورودی خود دریافت کنید.

منبع: https://3dprinting.com/news/ncsa-delta-system-enhances-stress-prediction-with-ai/

نوشته ایجاد شد 101

نوشته های مرتبط

متنی که میخواهید برای جستجو وارد کرده و دکمه جستجو را فشار دهید. برای لغو دکمه ESC را فشار دهید.

بازگشت به بالا