Diseñar una nave espacial es tan difícil como parece. El modelado juega un papel importante en el tiempo y el esfuerzo que se necesita para crear naves espaciales y otros sistemas de ingeniería complejos. Requiere cálculos físicos extensos, examinando una multitud de modelos diferentes y conocimientos tribales paradeterminar partes singulares del diseño de un sistema.
La investigación del Dr. Zohaib Hasnain muestra que las técnicas basadas en datos utilizadas en sistemas autónomos tienen el potencial de resolver estos complejos problemas de modelado de manera más precisa y eficiente. Al aplicar inteligencia artificial de alto funcionamiento a procesos basados en la física, su objetivo es "automatizar" el modelado, reduciendo el tiempo que lleva producir soluciones y recortando los costos de producción.
"Si estoy tratando de emprender algo como, por ejemplo, diseñar un lápiz, hay un proceso involucrado en el diseño de ese lápiz", dijo Hasnain. "Tengo un cierto conjunto de pasos que emprendería dado el conocimiento de queTengo a mi disposición en base a lo que otros han hecho en el pasado. Cualquier cosa que pueda ser descrita por un proceso o un algoritmo en papel se puede automatizar y analizar en el contexto de un sistema autónomo. "
Profesor asistente en el Departamento de Ingeniería Mecánica de J. Mike Walker '66, Hasnain se dio cuenta, mientras trabajaba en la industria aeroespacial, de la demora en los proyectos debido a los esfuerzos de modelado. Mientras realizan procesos de modelado tradicionales, los científicos e investigadores deben crear varios modelos,muchos de los cuales requieren pruebas. Además, la presentación a través de modelos individuales lleva demasiado tiempo para producir respuestas. Un ejemplo de un modelo tradicional para sistemas espaciales es la dinámica de fluidos por computadora, o CFD, que utiliza análisis numérico para determinar soluciones, lo que resulta en altos costos computacionalmente, y en trabajo humano para verificación.
"Siempre pensé que había trabajo que eliminar porque hay sistemas y máquinas autónomos que parecían capaces de manejar el cuello de botella que está modelando", dijo Hasnain. "Mi investigación es un primer paso para comprender cómo y cuándo los datos-Las técnicas impulsadas son beneficiosas, con el objetivo final de tomar un proceso que requiere meses o semanas para resolverlo y producir una solución en horas o días ".
Hasnain, acompañado por el profesor asistente Dr. Vinayak R. Krishnamurthy y el asistente de investigación graduado Kaustubh Tangsali, realizaron un estudio para comprender cómo funcionan las arquitecturas de aprendizaje automático de uso común, como las redes neuronales convolucionales CNN y la física, las redes neuronales PINN.cuando se aplica al problema de la predicción fluídica. El enfoque basado en datos utiliza una base de datos de modelado preexistente para entrenar un modelo sobre variaciones cuidadosamente controladas en la física fundamental del fluido, así como geometrías sobre las cuales fluye el fluido. El modelo es entoncesutilizado para hacer una predicción. Su investigación encontró que tanto CNN como PINN tienen el potencial de optimizar los procesos de modelado si se enfocan en aspectos muy específicos del proceso de solución. Ahora están trabajando en un enfoque de aprendizaje híbrido para lograr su objetivo final de acelerar el diseñoproceso.
"Estamos buscando un conjunto diferente de herramientas que reemplazarán las herramientas antiguas", dijo Hasnain. "Estamos tratando de comprender cómo se comportan estas nuevas herramientas en el contexto de aplicaciones que tradicionalmente se rigen por técnicas de solución basadas en primeros principios."
Los investigadores publicaron sus hallazgos en Revista de diseño mecánico . Su artículo, "Generalización de redes convolucionales de codificador-decodificador para la predicción del campo de flujo aerodinámico a través de variaciones geométricas y físico-fluídicas", se centra en comprender las herramientas dimensionales que tienen el potencial de reemplazar las herramientas de modelado que son el estándar actual de la industria.
A partir de los resultados de la investigación, Hasnain espera construir una infraestructura autónoma que extraiga de una colección de datos para producir soluciones de modelado a través de arquitecturas híbridas de aprendizaje automático. A través de algoritmos y datos preexistentes, la infraestructura será un proceso de modelado que puede seraplicado a varios sistemas en aplicaciones de la vida real. Eventualmente, planea compartir esta infraestructura para un uso generalizado y gratuito.
"Me gustaría que esta infraestructura fuera una iniciativa comunitaria que se ofreciera de forma gratuita a todos", dijo Hasnain. "Quizás lo más importante es que puede producir soluciones casi a pedido en contraposición al modelo actual de última generación, que consume mucho tiempo ".
La infraestructura se encuentra en sus primeras etapas de desarrollo. Hasnain y sus colegas investigadores están trabajando para producir un prototipo en un futuro cercano.
Fuente de la historia :
Materiales proporcionado por Universidad de Texas A&M . Original escrito por Michelle Revels. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :