بچه‌ها، بیاید راجع به یه مدل خفن هوش مصنوعی حرف بزنیم که حسابی داره صنعت شکل‌دهی ورق‌های فلزی رو تکون می‌ده! اسمش Recurrent U-Net-Based Graph Neural Network یا به اختصار RUGNN هست.
حالا شاید بپرسید این چیه؟ اصل قضیه اینه: تو صنایعی مثل خودروسازی یا ساخت قطعات صنعتی، باید بدونیم وقتی روی ورق فلزی کار می‌کنن و بهش فشار یا حرارت می‌دن، چطوری خم می‌شه یا تغییر شکل می‌ده. مثلاً اگه درست حساب نکنی، ممکنه ورق بشکنه یا مدل دلخواه نشه. قبلاً برای این پیش‌بینی‌ها روش‌های شبیه‌سازی کامپیوتری مثل FE simulation (شبیه‌سازی اجزای محدود که برای پیش‌بینی دقیق رفتار مواد استفاده می‌شه) رو استفاده می‌کردن که حسابی زمان‌بر و سنگین بود.
این وسط، هوش مصنوعی (AI) اومده کارها رو کلی سریع و ساده کنه. منتها مدل‌های قدیمی‌تر هوش مصنوعی که با تصاویر یا داده‌های ساده کار می‌کردن، نمی‌تونستن اون پیچیدگی‌های سه‌بعدی و ارتباطات توی کل ورق رو دقیق دربیارن. یعنی شبیه این بود که فقط از رو یه عکس سیاه‌سفید بخوای همه جزئیات یه مجسمه رو بشناسی! تازه این مدل‌ها نسبت به ترتیب نقاط ورق حساس بودن، در حالی‌که ما دلمون می‌خواد تحلیل‌مون به جای نقاط، مستقل از ترتیبشون باشه (یعنی Permutation-invariant باشه؛ یه ویژگی که کمک می‌کنه مهم نباشه کدوم نقطه اولی یا آخریه).
برای همین، تو سال‌های اخیر سراغ گراف نویورال نتورک‌ها رفتن. Graph Neural Network یا همون GNN یه نوع شبکه عصبیه که با داده‌های شبکه‌ای سر و کار داره؛ یعنی می‌تونن پیچیدگی ارتباط بین ذرات یا نقاط یه ورق رو خوب بفهمن.
حالا RUGNN از این مدل‌های جدید GNN با کلی ویژگی جدید ساخته شده. بذارید چند تا از قابلیت‌های خفن‌شو توضیح بدم:
-
مدل RUGNN اومده علاوه‌بر اون شبکه گراف، ساختار U-Net رو هم توی خودش جا داده! U-Net در اصل یه مدل معروف برای پردازش تصویر توی زمینه‌هایی مثل پزشکیه، که می‌تونه اطلاعات رو همزمان از قسمت‌های ریز و درشت تصویر یا اینجا همون ورق تحلیل کنه. اینجا الهام گرفتن ازش باعث شده مدل بتونه هم بخش‌های بزرگ و هم جزئیات ریز تغییر شکل ورق رو بفهمه.
-
توش از GRU یا Gated Recurrent Unit استفاده شده. GRU یه جور شبکه عصبیه که واسه فهم زمان‌بندی و دنبال کردن تغییرات پشت سرهم استفاده می‌شه؛ مثلاً وقتی خم شدن ورق تو چند مرحله اتفاق می‌افته، این بخش می‌تونه ردشون رو بگیره.
-
یه نکته باحال دیگه اینه که یه روش نمایندگی جدید واسه تماس (Contact) بین نقاط مختلف ورق و سطوح کارگاهی ارائه کردن به اسم ‘node-to-surface contact representation’؛ یعنی دیگه لازم نیست با صدها تماس نقطه‌به‌نقطه درگیر باشی، بلکه یه مدل کلی و سبک برای ارتباط بین نقاط ورق با سطح قالب دارن که باعث می‌شه محاسبات خیلی سریع‌تر شه، مخصوصاً واسه قطعات بزرگ.
برای اینکه مطمئن شن این مدل واقعاً جواب می‌ده یا نه، روش کلی کیس واقعی توی شکل‌دهی سرد و گرم روی آلیاژهای آلومینیومی امتحانش کردن. سرد و گرم رو اینجا یعنی گاهی بدون حرارت شکل رو می‌دن (Cold Forming)، گاهی هم با حرارت (Hot Forming) که هر کدوم پیچیدگی خاص خودش رو داره. نتایج نشون داد پیش‌بینی‌های RUGNN خیلی به واقعیت شبیه بوده و حتی بهتر از خیلی از مدل‌های دیگه تونسته تغییر شکل ورق رو درست حدس بزنه!
یه کار جالب دیگه‌ای که انجام دادن، این بود که با دست‌کاری در Hyperparameterها (یعنی تنظیمات ویژه‌ای که مدل رو قوی‌تر یا ضعیف‌تر می‌کنه)، نوع داده‌های ورودی، و روش آموزش، دیدن چطور می‌شه نتیجه بهتری گرفت.
خلاصه بخوام جمع‌بندی کنم: اگه شرکت‌ها یا کارخونه‌هایی بخوان بدونن ورق‌هاشون چطور تو فرآیند شکل‌دهی تغییر فرم می‌دن، RUGNN یه ابزار عالی و دقیق براشونه. هم سریع پیش‌بینی می‌کنه، هم تو دنیای واقعی امتحانش رو پس داده، هم نسبت به مدل‌های قبلی هوشمندتره!
امیدوارم با این توضیحات بفهمید این مدل چقدر می‌تونه تو آینده طراحی قطعات و پیش‌بینی عملی manufacturability (امکان‌پذیری ساخت) نقش داشته باشه – حتی اگه خودتون تو کارخونه نباشید، دانستنش هیجان‌انگیزه، نه؟ 😉
منبع: +
