ALTIN 488,66
DOLAR 8,6580
EURO 10,1795
BIST 1.419
Adana Adıyaman Afyon Ağrı Aksaray Amasya Ankara Antalya Ardahan Artvin Aydın Balıkesir Bartın Batman Bayburt Bilecik Bingöl Bitlis Bolu Burdur Bursa Çanakkale Çankırı Çorum Denizli Diyarbakır Düzce Edirne Elazığ Erzincan Erzurum Eskişehir Gaziantep Giresun Gümüşhane Hakkari Hatay Iğdır Isparta İstanbul İzmir K.Maraş Karabük Karaman Kars Kastamonu Kayseri Kırıkkale Kırklareli Kırşehir Kilis Kocaeli Konya Kütahya Malatya Manisa Mardin Mersin Muğla Muş Nevşehir Niğde Ordu Osmaniye Rize Sakarya Samsun Siirt Sinop Sivas Şanlıurfa Şırnak Tekirdağ Tokat Trabzon Tunceli Uşak Van Yalova Yozgat Zonguldak
İstanbul 26 °C
Sağanak Yağışlı

Araştırmacılar, ürün tasarım maliyetlerini düşürmek için bir yapay zekayı optimize ediyor

16.11.2020
172
Araştırmacılar, ürün tasarım maliyetlerini düşürmek için bir yapay zekayı optimize ediyor

Bilgisayar simülasyonları, ürün tasarım optimizasyon sürecinin kritik bir parçasıdır ve mühendislerin çeşitli konfigürasyonları test etmelerine ve birçok farklı alternatif arasından en iyi tasarımı seçmelerine olanak tanır.

Ancak ABD Enerji Bakanlığı’nın (DOE) Argonne Ulusal Laboratuvarı gibi en son teknolojiye sahip kaynakları olan bir tesiste bile simülasyonlar çok pahalı olabilir ve çalıştırılması uzun zaman alabilir.

Bu tasarım sürecini hızlandırmak amacıyla, Argonne’nin Enerji Sistemleri (ES) bölümünde doktora sonrası atanan Opeoluwa Owoyele ve araştırma bilimcisi Pinaki Pal’dan oluşan bir araştırma ekibi, geçtiğimiz günlerde ActivO adında yeni bir tasarım optimizasyon aracı geliştirdi.

Yeni araç, en iyi tasarımı bulmak için gereken süreyi önemli ölçüde azaltabilir.

Kullanıcıların hesaplama kaynaklarını en verimli şekilde nasıl hedef alacaklarına odaklanmalarına yardımcı olan yeni bir makine öğrenimi tekniği kullanır.

  • Makine öğrenimi, sistemlerin deneyimlerden otomatik olarak öğrenmesine ve gelişmesine izin veren bir yapay zeka uygulamasıdır.

Pal, “ActivO simülasyonları çok akıllıca çalıştırıyor ve tasarım alanının odaklanmamız gereken bölümlerini hızla tespit ediyor” diye açıkladı Pal. “Size en uygun tasarımı sunmak için eskiden iki ila üç ay süren bir süreç artık yaklaşık bir hafta içinde tamamlanabilir.”

ActivO yaklaşımı, American Society of Mechanical Engineers (ASME) tarafından Sonbahar 2019 Uluslararası Yanmalı Motor Bölümü Teknik Konferansı’nın bir parçası olarak yayınlanan bir makalede, Owoyele ve Pal için aktif bir ilgi alanı olan yanmalı motorları optimize etmede kullanım için başarıyla gösterildi. .

Pal ile makalenin baş yazarı Owoyele’ye göre ActivO, üstün performans elde etmek için iki farklı makine öğrenimi vekil modelinin güçlü yönlerinden yararlanan karma bir algoritmadır.

Araştırmacılar, ürün tasarım maliyetlerini düşürmek için bir yapay zekayı optimize ediyor 1
Bu animasyon ActivO’nun 2D test problemi için yaklaşımını gösterir. Güçlü öğrenci temsilini (solda), zayıf öğrenci temsilini (ortada) ve tasarım hedefindeki iyileştirmeleri (sağda) gösterir. Kredi: Argonne Ulusal Laboratuvarı

“Makine öğrenimi modelleri işbirliği içinde çalışacak şekilde tasarlandı. Rastgele örneklenen simülasyonları çalıştırmak yerine, modellerden biri tasarım alanını uyarlamalı olarak keşfetmemize olanak tanıyor ve bu da bizi temelde küresel optimumları içerme olasılığı en yüksek olan bölgelere yönlendiriyor. Ve diğer model bu umut verici bölgelere bakar ve küresel optimumun tam yerini belirlemek için yerel bir arama gerçekleştirir.”

Bu yaklaşım , genetik algoritmalar gibi endüstride kullanılan geleneksel evrimsel tekniklerden daha dengeli ve verimli bir şekilde tasarım alanını “keşfetmek” ve “kullanmak” için makine öğreniminin yerine geçer.

  • Sonuç olarak Owoyele, ActivO’nun küresel optimuma neredeyse bir kat daha hızlı yaklaştığını söyledi.

Pal, ActivO’nun küçük simülasyon grupları halinde çalıştığını ve bunun endüstriyel kullanıcılar için özellikle değerli olduğunu, çünkü büyük simülasyon gruplarını çalıştırmak için genellikle hesaplama gücüne sahip olmadıklarını ekledi.

Owoyele ve Pal’ın bu yazılım teknolojisiyle ilgili bekleyen bir patent başvurusu varken, ActivO’nun aslında uygulamaya hazır olduğunu söylediler. Şimdiye kadarki çalışmaları öncelikle otomotiv motorlarına odaklandı, ancak diğer potansiyel olarak yararlı uygulamaları da görüyorlar.

  • Owoyele, “ActivO, otomotiv ve havacılık endüstrilerindeki yanmalı motorlara özgü tasarım alanını keşfetmek için çok uygundur” dedi.

“Ancak genel bir ürün için tasarım optimizasyonu için de kullanılabilir. Ürün tasarım maliyetlerini azaltacak şekilde tasarım iş akışlarını iyileştirmek için endüstri tarafından kolayca benimsenebilir. Bu konuda önemli ticarileştirme fırsatları vardır.”

Pal, endüstri için tasarım maliyetlerini düşürmeye yardımcı olurken, uzun vadeli daha da önemli bir fayda olduğunu söyledi. “Büyük resmin amacı, enerji verimliliğini sağlamak ve bu motorların çevreye olan etkisini azaltmaktır. Bu nedenle, nihayetinde daha iyi, daha yenilikçi motorlar tasarlamak istiyoruz.”

Her iki araştırmacı da, ActivO optimizer’ın kalbindeki algoritmayı doğrulayan ve onaylayan Argonne’deki devasa yüksek performanslı bilgi işlem tesislerine işaret etti. Pal, “Argonne’da sahip olduğumuz hesaplama kaynakları, bunu oldukça titiz bir şekilde yapmamızı sağladı,” dedi.

Referans: Opeoluwa Owoyele ve ark. Ensemble Machine Learning Kullanarak Hızlı ve Verimli Tasarım Alanı Keşfi için Yeni Bir Aktif Optimizasyon Yaklaşımı, ASME 2019 İçten Yanmalı Motor Bölümü Sonbahar Teknik Konferansı (2019).
Argonne Ulusal Laboratuvarı tarafından sağlanmıştır.

ZİYARETÇİ YORUMLARI - 0 YORUM

Henüz yorum yapılmamış.