Оптимизация сложных процессов моделирования с помощью технологий машинного обучения

Спроектировать космический корабль так же сложно, как кажется. Моделирование играет большую роль во времени и усилиях, необходимых для создания космических кораблей и других сложных инженерных систем. Это требует обширных физических расчетов, анализа множества различных моделей и знаний племен, чтобы определить отдельные части конструкции системы.

машинное обучение

Доктор Исследование Зохаиба Хаснаина показывает, что методы управления данными, используемые в автономных системах, обладают потенциалом для более точного и эффективного решения этих сложных проблем моделирования. Применяя высокофункциональный искусственный интеллект к физическим процессам, он стремится «автоматизировать» моделирование, сокращая время, необходимое для разработки решений, и сокращая производственные затраты.

«Если я пытаюсь заняться чем-то вроде конструирования карандаша, то есть процесс, связанный с созданием этого карандаша», – сказал Хаснайн. “У меня есть определенный набор шагов, которые я предпринял, учитывая имеющиеся у меня знания, основанные на том, что другие делали в прошлом. Все, что можно описать процессом или алгоритмом на бумаге, можно автоматизировать и проанализировать в контекст автономной системы “.

Доцент кафедры машиностроения имени Дж. Майка Уокера ’66, Хаснайн осознал, работая в аэрокосмической отрасли, что задержка проектов связана с усилиями по моделированию. При проведении традиционных процессов моделирования ученые и исследователи должны создавать различные модели, многие из которых требуют тестирования. Кроме того, чтобы получить ответы, требуется слишком много времени для просмотра отдельных моделей. Примером традиционного моделирования для космических систем является компьютерная гидродинамика или CFD, в котором для определения решений используется численный анализ, что приводит к огромным затратам в вычислительном отношении и человеческом труде для проверки.

«Я всегда думал, что есть работа, которую нужно сократить, потому что существуют автономные системы и машины, которые, казалось, способны справиться с узким местом – моделированием», – сказал Хаснайн. «Мое исследование – это первый шаг к пониманию того, как и когда эффективны методы, основанные на данных, с конечной целью взять процесс, на решение которого уходят месяцы или недели, и выработать решение за часы или дни».

Хаснайн в сопровождении доцента доктора Винаяка Р. Кришнамурти и дипломированного научного сотрудника Каустубха Тангсали провел исследование, чтобы понять, как часто используются архитектуры машинного обучения, такие как сверточные нейронные сети (CNN) и нейронные сети с учетом физики (PINN). плата за проезд применительно к проблеме жидкостного предсказания. Подход, основанный на данных, использует уже существующую базу данных моделирования для обучения модели тщательно контролируемым вариациям фундаментальной физики жидкости, а также геометрии, по которой течет жидкость. Затем модель используется для прогнозирования. Их исследование показало, что и CNN, и PINN могут оптимизировать процессы моделирования, если нацелены на очень конкретные аспекты процесса решения. Сейчас они работают над гибридным подходом к обучению, чтобы достичь своей конечной цели – ускорить процесс проектирования.

«Мы ищем другой набор инструментов, который заменит старые инструменты», – сказал Хаснайн. «Мы пытаемся понять, как эти новые инструменты ведут себя в контексте приложений, традиционно управляемых методами решения, основанными на основных принципах».

Исследователи опубликовали свои выводы в Journal of Mechanical Design . Их статья «Обобщаемость сетей сверточного кодера-декодера для прогнозирования аэродинамического поля потока с учетом геометрических и физико-жидкостных вариаций» посвящена пониманию инструментов измерения размеров, которые потенциально могут заменить инструменты моделирования, являющиеся текущим отраслевым стандартом.

На основе результатов исследования Хаснайн надеется построить автономную инфраструктуру, которая использует набор данных для создания решений для моделирования с помощью гибридных архитектур машинного обучения. Благодаря алгоритмам и уже существующим данным инфраструктура будет процессом моделирования, который можно будет применять к различным системам в реальных приложениях. В конце концов, он планирует поделиться этой инфраструктурой для широкого и бесплатного использования.

«Я хотел бы, чтобы эта инфраструктура была инициативой сообщества, которая предоставляется бесплатно для всех», – сказал Хаснайн. «Возможно, что более важно, потому что он может производить решения, близкие к требованию, в отличие от современных современных моделей моделирования, которые отнимают очень много времени».

Инфраструктура находится на начальной стадии развития. Хаснайн и его коллеги-исследователи работают над созданием прототипа в ближайшем будущем.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *