14 دسامبر 2022 -نوشته میکائل بروسارد، جاکومو کوربو، ماری کلایل و بیل وایزمن
برای چندین دهه، فناوری دیجیتال بی سر و صدا دنیای طراحی مهندسی را متحول کرده است. مدل‌های دیجیتال سه‌بعدی جایگزین نقشه‌ها شده‌اند و توسعه نرم‌افزار شبیه‌سازی به مهندسان این امکان را داده است که بسیاری از آزمایش‌های فیزیکی را با آزمایش‌های مجازی سریعتر و ارزان‌تر جایگزین کنند. شرکت های مهندسی صدها میلیون سرمایه گذاری کرده اند تا این راه حل های محاسباتی و داده فشرده را کارآمدتر کنند.
با قوی‌تر شدن رایانه‌ها، تیم‌های مهندسی توانسته‌اند مدل‌های دیجیتالی با جزئیات بیشتری را توسعه دهند که بیشتر ویژگی‌ها و رفتارهای مورد انتظار محصول را تکرار می‌کند. امروزه، دوقلوهای دیجیتالی در حال تغییر شیوه طراحی، کارکرد و نگهداری محصولات در حوزه‌های مختلفی هستند، از ماشین‌های صنعتی گرفته تا دستگاه‌های پزشکی.
دیجیتالی شدن همچنین به مهندسان این امکان را داده است که به رایانه ها نقش فعال تری در فرآیند مهندسی بدهند. طراحی مولد و رویکردهای بهینه‌سازی مرتبط با برنامه‌ریزی یک رایانه برای اجرای صدها یا هزاران شبیه‌سازی کار می‌کنند، و طراحی را بین هر اجرا تغییر می‌دهند تا زمانی که بهترین راه‌حل را پیدا کند. هندسه های به دست آمده می توانند از کار مجرب ترین طراحان انسانی بهتر عمل کنند.
هنوز بهینه نیست
علیرغم پتانسیل واضح آن، بهینه سازی طراحی دیجیتال دارای محدودیت های قابل توجهی نیز می باشد. شبیه‌سازی عملکرد سازه‌ها یا جریان‌های سیال به حل‌کننده‌های معادلات دیفرانسیل متکی است که از نظر محاسباتی فشرده هستند، بنابراین بهینه‌سازی‌های طراحی تنها می‌توانند بر روی چند پارامتر همزمان تمرکز کنند. در نتیجه، سیستم‌های امروزی تنها بخش کوچکی از فضای طراحی را بررسی می‌کنند و تمایل دارند فقط پیشرفت‌های تدریجی ارائه دهند.
به همین دلایل، شرکت ها هنوز به شدت به تخصص مهندسی انسانی برای انتخاب و بهینه سازی پارامترهای مناسب برای پروژه های خود متکی هستند. وقتی استعداد کمیاب است، این کار دشواری است و این خطر را افزایش می‌دهد که تعصبات انسانی منجر به طراحی‌های غیربهینه شود. بدتر از آن، سیستم های شبیه سازی به قدری پیچیده شده اند که شرکت ها به طور فزاینده ای به ارائه دهندگان خارجی برای اجرای شبیه سازی های خود متکی هستند و دانش و شایستگی داخلی را از بین می برند.
در دنیایی که مزیت رقابتی هم به سرعت و هم به نوآوری بستگی دارد، رویکرد شبیه‌سازی سنتی ممکن است دیگر کافی نباشد. شرکت های مهندسی ممکن است نیاز داشته باشند در مورد رویکرد خود برای بهینه سازی طراحی و فناوری هایی که برای دستیابی به آن استفاده می کنند، متفاوت فکر کنند.
مسیری سریعتر
امروزه، برخی از شرکت‌های پیشرو در حال بررسی جایگزینی هستند که نوید افزایش سرعت و اثربخشی بهینه‌سازی طراحی خودکار را با امکان گسترش کاربرد آن به مسائل مهندسی بزرگتر و پیچیده‌تر می‌دهد. این رویکرد جدید مبتنی بر مدل‌های هوش مصنوعی است، مانند مدل‌هایی که کلید بسیاری از مشکلات محاسباتی دشوار دیگر، از تشخیص تصویر گرفته تا تسلط بر بازی Go هستند. ما این مدل ها را جانشین یادگیری عمیق (DLS) می نامیم.
فناوری DLS پیچیدگی محاسبات را کاهش می دهد و سرعت را به طور چشمگیری افزایش می دهد و مدل های یادگیری عمیق چندین مرتبه سریعتر از شبیه سازی های فیزیک سنتی اجرا می کنند. این به نوبه خود به مزایای رقابتی بسیاری برای سازمان ها تبدیل می شود. با کاهش زمان فرآیند مهندسی، زمان ورود به بازار را کاهش می دهد. همچنین با کاهش پیچیدگی و شدت تلاش های مهندسی مورد نیاز، هزینه ها را کاهش می دهد. و شبیه‌سازی‌های یادگیری عمیق همچنین به شرکت‌ها اجازه می‌دهد تا مجموعه بسیار گسترده‌تری از پارامترها را برای طراحی محصول کشف کنند، بهینه‌سازی‌های جدید ناشناخته برای مهندسان متخصص را کشف کنند و عملکرد محصول بهتری را به همراه داشته باشند.
DLS توضیح داده می شود
Deep learning in product design
در ابتدا، یک فرآیند DLS بسیار شبیه سایر رویکردهای بهینه سازی طراحی دیجیتال است. تیم مهندسی محدودیت ها و ویژگی های عملکرد مطلوب محصول را تعریف می کند و کامپیوتر چندین شبیه سازی معمولی را روی گزینه های طراحی مختلف اجرا می کند. با این حال، اینجاست که رویکردها متفاوت است.
همانطور که شبیه‌سازی‌های اولیه اجرا می‌شوند، از آنها برای آموزش یک شبکه عصبی استفاده می‌شود، شبکه‌ای که برای گرفتن همان ورودی‌ها و تلاش برای تکرار خروجی‌های سیستم شبیه‌سازی راه‌اندازی شده است. وقتی آموزش کامل شد، این مدل یادگیری عمیق درست مانند شبیه سازی معمولی کار می کند، اما بسیار بسیار سریعتر. در پروژه‌های دنیای واقعی، مدل‌های شبیه‌سازی یادگیری عمیق می‌توانند دستورات بزرگی را سریعتر از همتایان معمولی خود اجرا کنند . نمودار
مدل های یادگیری عمیق به تیم های طراحی اجازه می دهد تا ده ها هزار طرح بالقوه را ارزیابی کنند.
این افزایش سرعت یک تغییر بازی است. با استفاده از DLS، دستگاه می‌تواند فضای طراحی بسیار بیشتری را نسبت به شبیه‌سازی معمولی کاوش کند و به آن کمک کند بهترین راه‌حل ممکن را پیدا کند. و کارایی این فرآیند با الگوریتم‌های جستجوی پیشرفته که از کار جامعه تحقیقاتی گسترده‌تر هوش مصنوعی مشتق شده‌اند، بیشتر می‌شود. سرعت فوق العاده بالا همچنین به این معنی است که پیچیدگی یک مانع کمتر است: تیم های مهندسی می توانند با اجزا و سیستم های بزرگتر و پیچیده تر مقابله کنند و به طور همزمان در چندین حوزه بهینه سازی کنند.
با این حال، استفاده از یادگیری عمیق در توسعه محصول، پیامدهای مهمی برای شرکت هایی دارد که فراتر از انتخاب های فناوری خود هستند. این امر به بخش‌های مهندسی نیاز دارد تا سازمان‌های خود را تطبیق دهند و منابع را به روش‌های جدید تخصیص دهند. این ممکن است شامل کسب استعدادهای جدید، به ویژه دانشمندان داده، مهندسان داده، و متخصصان یادگیری ماشین، و دسترسی به منابع محاسباتی جدید، در داخل یا در فضای ابری باشد.
DLS در دنیای واقعی
جانشین‌های یادگیری عمیق در حال حاضر ارزش خود را در برخی از محیط‌های مهندسی چالش‌برانگیز ثابت کرده‌اند. برای مثال، یک شرکت در بخش تولید برق از این رویکرد برای بهینه‌سازی طراحی توربین‌های بزرگ برای نیروگاه‌های برق آبی استفاده کرد. این ماشین ها باید به صورت جداگانه برای شرایط عملیاتی خاص هر نصب پیکربندی شوند، فرآیندی که می تواند هزاران ساعت مهندسی و تا یک سال طول بکشد تا تکمیل شود.
در یک پروژه آزمایشی، تیم مهندسی این شرکت با متخصصان خارجی برای ایجاد یک مدل یادگیری عمیق که می‌تواند عملکرد چهار جزء اصلی در توربین‌هایش را شبیه‌سازی کند، همکاری کرد. این مدل به گونه ای طراحی شده است که نقطه عملیاتی مورد نظر را به عنوان ورودی بپذیرد و مجموعه ای از محدودیت های مختلف را در نظر بگیرد، از جرم و قدرت قابل قبول هر قطعه گرفته تا مشکلات جریان سیال مانند کاویتاسیون یا ضربان فشار.
توسعه این مدل برای شرکای پروژه شش ماه طول کشید، اما تأثیر آن بر فرآیند طراحی فوری و عمیق بود. این شرکت با استفاده از DLS، ساعات مهندسی مورد نیاز برای ایجاد یک طراحی جدید توربین را تا 50 درصد کاهش داد و فرآیند طراحی انتها به انتها را یک چهارم کاهش داد. بهتر از این، این رویکرد توربین هایی را تولید کرد که تا 0.4 درصد کارآمدتر از طرح های معمولی بودند. برای یک سد معمولی برق آبی، که هر سال 13.5 گیگاوات ساعت (GWh) انرژی اضافی تولید می کند، انرژی کافی برای پاسخگویی به نیازهای بیش از سه هزار خانه است.
در بخش انرژی بادی، یکی دیگر از بازیگران اصلی رویکردی را برای بهینه‌سازی الگوریتم‌های کنترل برای توربین‌های بادی بزرگ اعمال کرده است. در بادهای شدید، این توربین ها باید خروجی خود را تنظیم کنند یا حتی به طور کلی خاموش شوند تا از آسیب جلوگیری شود. اما این تصمیمات کنترلی پیامدهای قابل توجهی برای اپراتور دارند: بیش از حد محافظه کارانه و توربین در تولید توان با ارزش از دست می دهد. بیش از حد تهاجمی و قابلیت اطمینان ممکن است به خطر بیفتد.
این شرکت قبلاً از تکنیک‌های شبیه‌سازی مرسوم برای توسعه قوانین کنترل مکان خاص برای هر توربین استفاده می‌کرد. با این حال، این شبیه‌سازی‌ها زمان‌بر و پرهزینه بودند و برای ارزیابی پیکربندی یک توربین در یک سایت، هشت ساعت یا بیشتر زمان می‌برد. جایگزینی سیستم شبیه سازی با یک مدل یادگیری عمیق این زمان را به کمتر از یک ثانیه کاهش داد. با سیستم جدید، این شرکت اکنون می‌تواند به مشتریان خود در بهینه‌سازی طراحی پروژه‌های مزرعه بادی جدید، ارزیابی تنظیمات بیشتر توربین و طرح‌بندی سایت برای یافتن بهترین راه‌حل ممکن کمک کند. سیستم DLS نیز افزایش معنی داری در خروجی کل ایجاد می کند. داده‌های این شرکت حاکی از آن است که استفاده از رویکرد آن برای تنها 10 درصد از سرمایه‌گذاری‌های برنامه‌ریزی شده اروپا در انرژی بادی در مابقی این دهه، تولید سالانه را بیش از 210 گیگاوات ساعت افزایش می‌دهد که برای تامین برق بیش از 50000 خانه کافی است.
آینده
استفاده از یادگیری عمیق در توسعه محصول تازه شروع شده است. پس از موفقیت آزمایش‌های اولیه، شرکت‌های پیشرو اکنون DLS را در فرآیندهای مهندسی استاندارد خود برای دسته‌های مختلف محصول ایجاد می‌کنند. علاوه بر گسترش رویکرد به صنایع و حوزه‌های مشکل بیشتر، محققان همچنین در حال کار بر روی ادغام این رویکرد در فرآیند طراحی به روش‌های جدید رادیکال هستند. یک رویکرد بالقوه، کنار گذاشتن کامل شبیه‌سازی مرسوم است. در عوض، محققان پیشنهاد کرده‌اند که مدل‌های یادگیری عمیق را می‌توان با استفاده از داده‌های دنیای واقعی از محصولات موجود در این زمینه آموزش داد. این می‌تواند روشی را که شرکت‌ها محصولات خود را بهبود می‌بخشند، با ابزارهای طراحی و بهینه‌سازی که به طور خودکار از عملکرد نسل‌های قبلی محصول یاد می‌گیرند، تغییر دهد.
درباره نویسنده (نویسندگان)
Mickael Brossard یک شریک در دفتر مک کینزی در پاریس است، جایی که Marie Klaeyle یک شریک وابسته است. جاکومو کوربو یک شریک در دفتر لندن است. و بیل وایزمن یک شریک ارشد در دفتر سیاتل است.
