Aplikasi Rekayasa Kecerdasan Buatan dalam Desain dan Optimasi Mekanik

Tinjauan ini menganalisis penggunaan machine learning dan deep learning dalam desain dan optimasi mekanik, memberikan rekomendasi, dan mengidentifikasi arah penelitian di masa depan. Cakupannya meliputi teknik, alat, dataset, dan aplikasi spesifik yang diteliti oleh para peneliti di seluruh dunia.

Jozef Jenis; Jozef Ondriga; S. Hrček; F. Brumerčík; Matúš Čuchor; Erik Sadovsky· Machines· 2023· DOI 10.3390/machines11060577

Masalah inti

Integrasi kecerdasan buatan (AI) ke dalam teknik mesin telah mendapat perhatian signifikan karena potensinya untuk merevolusi proses desain dan optimasi. Tinjauan ini bertujuan memberikan analisis lengkap tentang penggunaan deep learning dan machine learning dalam pembuatan komponen dan simpul mesin. Contoh-contoh yang disajikan dimaksudkan untuk mengidentifikasi area dalam desain dan optimasi mekanik tempat teknik-teknik ini dapat diterapkan secara luas di masa depan, memberi manfaat bagi masyarakat dan memajukan teknik mesin modern. Tinjauan ini dimulai dengan pembahasan tentang cara kerja AI, machine learning, dan deep learning, yang menjelaskan berbagai teknik, klasifikasi, dan perbandingan. Tinjauan ini juga memperkenalkan bahasa pemrograman, framework, dan perangkat lunak umum yang digunakan dalam teknik mesin untuk masalah ini, serta format data masukan dan dataset yang cocok untuk machine learning dalam desain dan optimasi mekanik. Bagian kedua menjelaskan aplikasi saat ini di berbagai area, dengan menggunakan contoh spesifik dari peneliti di seluruh dunia, dan membahas arah penelitian selanjutnya.

Metodologi tinjauan ini melibatkan pemeriksaan sistematis terhadap literatur yang ada tentang aplikasi AI dalam desain dan optimasi mekanik. Tinjauan ini mengategorikan teknik machine learning dan deep learning, membandingkan kekuatan dan kelemahannya, serta mengidentifikasi alat dan dataset yang umum. Para penulis menganalisis studi kasus dari penelitian global untuk menggambarkan implementasi praktis. Pendekatannya meliputi: - Klasifikasi metode AI, machine learning, dan deep learning. - Perbandingan teknik berdasarkan metrik kinerja. - Survei bahasa pemrograman (misalnya, Python, MATLAB), framework (misalnya, TensorFlow, PyTorch), dan perangkat lunak (misalnya, ANSYS, SolidWorks) yang digunakan dalam teknik mesin. - Pembahasan format data masukan (misalnya, model CAD, data sensor) dan dataset. - Identifikasi area aplikasi melalui contoh spesifik. Metodologi ini memastikan gambaran komprehensif tentang keadaan saat ini dan potensi masa depan AI dalam desain mekanik.

Pendahuluan

Integrasi kecerdasan buatan (AI) ke dalam teknik mesin telah mendapat perhatian signifikan karena potensinya untuk merevolusi proses desain dan optimasi. Tinjauan ini bertujuan memberikan analisis lengkap tentang penggunaan deep learning dan machine learning dalam pembuatan komponen dan simpul mesin. Contoh-contoh yang disajikan dimaksudkan untuk mengidentifikasi area dalam desain dan optimasi mekanik tempat teknik-teknik ini dapat diterapkan secara luas di masa depan, memberi manfaat bagi masyarakat dan memajukan teknik mesin modern. Tinjauan ini dimulai dengan pembahasan tentang cara kerja AI, machine learning, dan deep learning, yang menjelaskan berbagai teknik, klasifikasi, dan perbandingan. Tinjauan ini juga memperkenalkan bahasa pemrograman, framework, dan perangkat lunak umum yang digunakan dalam teknik mesin untuk masalah ini, serta format data masukan dan dataset yang cocok untuk machine learning dalam desain dan optimasi mekanik. Bagian kedua menjelaskan aplikasi saat ini di berbagai area, dengan menggunakan contoh spesifik dari peneliti di seluruh dunia, dan membahas arah penelitian selanjutnya.

Analisis ini membahas implikasi dari temuan-temuan tersebut, dengan mencatat bahwa meskipun AI menawarkan keuntungan signifikan, tantangan masih ada. Tantangan tersebut meliputi kelangkaan data, biaya komputasi, dan kebutuhan akan model yang dapat diinterpretasikan. Tinjauan ini juga menguraikan arah penelitian di masa depan, seperti: - Pengembangan model hibrida yang menggabungkan simulasi berbasis fisika dengan machine learning. - Integrasi AI ke dalam optimasi desain waktu nyata dan manufaktur aditif. - Eksplorasi reinforcement learning untuk desain adaptif. - Standardisasi dataset dan benchmark untuk teknik mesin. Para penulis menekankan bahwa kolaborasi berkelanjutan antara insinyur mesin dan peneliti AI sangat penting untuk mewujudkan sepenuhnya potensi teknologi ini. Pembahasan ini menyimpulkan bahwa AI akan memainkan peran yang semakin penting dalam memajukan desain dan optimasi mekanik, yang mengarah pada solusi yang lebih inovatif dan efisien.

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…