انجمن علمی دانشکدۀ مکانیک شریف (محور)
انجمن علمی دانشکدۀ مکانیک شریف (محور)
خواندن ۴ دقیقه·۱ سال پیش

بی‌شک موشکافان، آشفتگی‌پرستند

مروری بر کاربرد هوش مصنوعی در مکانیک سیالات

معراج حسن‌زاده، ورودی 99 مکانیک

همان‌طور که بار‌ها و بار‌ها در ابتدای هر متن مربوط به مکانیک سیالات دیده‌اید، مکانیک سیالات، علم مطالعۀ سیال و خواص آن از جمله رفتار آن در شرایط مختلف فیزیکی و محیطی است. امروزه توانایی شبیه‌سازی و مدل‌سازی دقیق رفتار سیال برای طراحی و بهبود عملکرد بسیاری از سیستم‌ها مانند هواپیما، توربین، پمپ و خطوط لوله بسیار مهم است. وقتی همین سیال را داخل بدن یک موجود زنده بررسی می‌کنیم، وارد بخش بیومکانیکی علم سیالات شده‌ایم! این ماهیت پیچیدۀ دینامیک سیالات است که مطالعه و پیش‌بینی رفتار سیالات را به یک زمینۀ چالش‌برانگیز تبدیل می‌کند. در سال‌های اخیر، استفاده از هوش مصنوعی (AI) و تکنیک‌های علم داده (Data Science)، به‌عنوان یک روش امیدوارکننده برای غلبه بر برخی از این چالش‌ها ظاهر شده است (البته این را هم بگویم که اگر بخواهیم از تمام کاربردهای هوش مصنوعی در علم سیالات بنویسیم، خیلی بیشتر از یک متن نهصدکلمه‌ای نیاز داریم. پس در اینجا به اشاره به برخی از آن‌ها بسنده می‌کنیم و بقیۀ داستان را به کنجکاوی شما دوستان می‌سپاریم).

استفاده از هوش مصنوعی و علم داده در مکانیک سیالات دقت و کارایی شبیه‌سازی‌، مدل‌سازی‌، بهینه‌سازی و کنترل را به‌شدت بهبود بخشیده است. تکنیک‌های هوش مصنوعی مانند یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning) و یادگیری تقویتی (Reinforcement Learning) برای تجزیه و تحلیل، از داده‌هایی که از شبیه‌سازی‌های تجربی و عددی به‌دست آمده‌اند، استفاده می‌کنند.

اگر بخواهیم از دلایل برتری هوش مصنوعی بر روش‌های سنتی در حل مسائل مکانیک سیالات بگوییم، می‌توانیم به مسائل دارای آشفتگی (turbulence) نگاهی بیندازیم. آشفتگی زمانی رخ می‌دهد که جریان سیال غیرقابل پیش‌بینی و شبیه‌سازی با استفاده از روش‌های سنتی غیرممکن می‌شود. با این حال، با کمک تکنیک‌های هوش مصنوعی می‌توان مقادیر زیادی از داده‌هایی را که از شبیه‌سازی‌های تجربی و عددی به‌دست آمده‌اند، برای پیش‌بینی و تحلیل دقیق جریان‌های آشفته استفاده کرد. نشان داده شده است که مدل‌های مبتنی بر داده‌هایی که با استفاده از این تکنیک‌ها ساخته شده‌اند، پیش‌بینی‌های مناسبی از رفتار جریان ارائه می‌دهند. بنابراین پتانسیل زیادی برای بهبود فرایند طراحی سیستم‌های سیال دارند.

کمی از بخش بیومکانیکی داستان بگوییم! با استفاده از الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی، می‌توان مدل‌های پیش‌بینی جریان سیال را در سازه‌های بیولوژیکی مانند عروق خونی، روده‌ها و ریه‌ها، توسعه داد. این مدل‌ها می‌توانند به ما کمک کنند تا جریان خون در عروق، جریان مواد مغذی در روده‌ها یا هوای تنفسی در ریه‌ها را بهتر بررسی کنیم و پیش‌بینی‌های دقیق‌تری ارائه دهیم. هوش مصنوعی می‌تواند در طراحی و ساخت بافت‌های مصنوعی و همچنین طراحی سیستم‌های میکروفلوییدیک نیز به‌کار رود. با استفاده از الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی، می‌توان الگوهای پیچیده و ساختارهای دقیق بافت‌های مصنوعی را نیز تولید کرد. این روش‌ها می‌توانند در تولید بافت‌های جدید با خواص و عملکرد مشخص، استفاده شوند. با استفاده از این الگوریتم‌ها، می‌توانیم الگوهای جریان و انتقال مواد در سیستم‌های میکروفلوییدیک را نیز پیش‌بینی و بهینه‌سازی کنیم. همچنین می‌توان تصاویر پزشکی را تحلیل کرد و تشخیص دقیق‌تری از بیماری‌ها ارائه داد. از طرفی این تکنیک‌ها در تشخیص سریع و اثربخش بیماری‌های مهم مانند سرطان و بیماری‌های قلبی و مغزی نیز استفاده می‌شوند.

البته همان‌طور که می‌دانید، در بسیاری از موارد، منبع دادۀ عظیمی برای آزمایش‌های سیالاتی موجود نیست و استفاده از دیتابیس عظیم برای پیش‌بینی موارد مشابه، برای مسائل مختلف، ممکن نیست. اخیراً برای این مشکل راه‌حلی ارائه شده است؛ شبکه‌های عصبی مبتنی بر علم فیزیک یا PINN (Physics-Informed Neutral Networks). PINN ما را قادر می‌سازد تا با استفاده از داده‌های آزمایشگاهی یا شبیه‌سازی‌های عددی موجود، مدلی دقیق و قوی از رفتار سیالات در آزمایش‌های مشابه ایجاد کنیم. این مدل‌ها به ما این امکان را می‌دهند تا بدون نیاز به داده‌های آزمایشگاهی یا شبیه‌سازی بیشتر، ویژگی‌های جدید را پیش‌بینی و رفتار سیالات را در شرایط گوناگون، تحت تأثیر تغییرات پارامترهای مختلف، بررسی کنیم. در کل، PINN با ترکیب هوش مصنوعی و علم فیزیک، ابزاری قدرتمند برای مدل‌سازی و پیش‌بینی رفتار سیالات در علم مکانیک سیالات است. این روش می‌تواند در تحقیقات بیومکانیک و سایر حوزه‌های مرتبط، مورد استفاده قرار گیرد و به ما کمک کند تا به دقت بیشتری در درک و کنترل رفتار سیالات برسیم.

همچنین هوش مصنوعی علاوه بر پیش‌بینی و تجزیه و تحلیل، نقش مهمی در بهینه سازی و کنترل سیستم‌های سیال ایفا می‌کند. روش‌های بهینه‌سازی مبتنی بر الگوریتم‌های تکاملی (Evolutionary algorithm)، بهینه‌سازی ازدحام ذرات (particle swarm optimization) و روش‌های مبتنی بر گرادیان (gradient-based methods) برای بهینه‌سازی ایرفویل‌ها، پروانه‌ها و سایر اجزای سیستم سیال و بهبود عملکرد آن‌ها استفاده شده‌اند. استراتژی‌های کنترلی که مبتنی بر تکنیک‌های هوش مصنوعی مانند منطق فازی، شبکه‌های عصبی و الگوریتم‌های ژنتیک هستند نیز، برای حفظ ثبات و بهبود عملکرد سیستم‌های سیال تحت شرایط مختلف، طی سال‌ها، توسعه یافته‌اند. به‌عنوان مثال، از منطق فازی برای کنترل دمای مبدل حرارتی استفاده شده است؛ به این شکل که نرخ جریان خنک‌کننده، براساس انحراف دمای واقعی از نقطۀ مورد نظر تنظیم می‌شود. همچنین به‌طور مشابه، شبکه‌های عصبی برای توسعۀ مدل‌های پیش‌بینی رفتار جریان در لوله‌ها، استفاده می‌شوند که می‌توانند سپس برای کنترل نرخ جریان یا دمای سیال، به‌کار گرفته شوند.

به طور کلی، هوش مصنوعی و علم داده در سال‌های اخیر، انقلابی در مکانیک سیالات ایجاد کرده‌اند. این پیشرفت‌ها پتانسیل این را دارند که طراحی و عملکرد سیستم‌های سیال را در صنایع مختلف از جمله هوافضا، خودروسازی، انرژی و مهندسی زیست‌پزشکی بهبود بخشند. همان‌طور که فناوری هوش مصنوعی به تکامل خود ادامه می‌دهد و در‌دسترس‌تر می‌شود، می‌توان انتظار داشت که کاربردهای پیشرفته‌تری از این تکنیک‌ها، در مکانیک سیالات و سایر زمینه‌ها مشاهده کنیم.

خمشمحور ۳۰برشمعراج حسن‌زادهمردادماه
صفحۀ نوشته‌های رسانه‌ای گروه محور - تأسیس ۱۳۷۲ - «محورِ فعالیت‌های دانشجویی دانشکدۀ مکانیک»
شاید از این پست‌ها خوشتان بیاید