Спроектировать космический корабль так же сложно, как кажется. Моделирование играет большую роль во времени и усилиях, необходимых для создания космических кораблей и других сложных инженерных систем. Это требует обширных физических расчетов, просеивания множества различных моделей и племенных знаний, чтобы определить отдельные части конструкции системы.
Исследование доктора Зохайба Хаснайна показывает, что методы управления данными, используемые в автономных системах, обладают потенциалом для более точного и эффективного решения этих сложных проблем моделирования. Применяя высокофункциональный искусственный интеллект к физическим процессам, он стремится «автоматизировать» моделирование, сокращая время, необходимое для разработки решений, и сокращая производственные затраты.
«Если я пытаюсь предпринять что-то вроде дизайна карандаша, то есть процесс, связанный с созданием этого карандаша», — сказал Хаснайн. «У меня есть определенный набор шагов, которые я предпринял, учитывая имеющиеся у меня знания, основанные на том, что другие делали в прошлом. Все, что можно описать процессом или алгоритмом на бумаге, можно автоматизировать и проанализировать в контекст автономной системы «.
Доцент кафедры машиностроения Дж. Майка Уокера ’66, Хаснайн осознал, работая в аэрокосмической отрасли, что задержка проектов связана с усилиями по моделированию. При проведении традиционных процессов моделирования ученые и исследователи должны создавать различные модели , многие из которых требуют тестирования. Кроме того, для получения ответов требуется слишком много времени, чтобы просмотреть отдельные модели. Примером традиционного моделирования для космических систем является компьютерная гидродинамика или CFD, в котором используется численный анализ для определения решений, что приводит к огромным затратам в вычислительном отношении и человеческом труде для проверки.
«Я всегда думал, что нужно сократить работу, потому что существуют автономные системы и машины, которые, казалось, способны справиться с узким местом, которое возникает при моделировании», — сказал Хаснайн. «Мое исследование — первый шаг к пониманию того, как и когда методы, основанные на данных, полезны, с конечной целью взять процесс, на решение которого уходят месяцы или недели, и выработать решение за часы или дни».
Хаснайн в сопровождении доцента доктора Винаяка Р. Кришнамурти и дипломированного научного сотрудника Каустубха Тангсали провел исследование, чтобы понять, как часто используемые архитектуры машинного обучения, такие как сверточные нейронные сети(CNN) и нейронные сети, основанные на физике (PINN), применительно к проблеме предсказания жидкости. Подход, основанный на данных, использует уже существующую базу данных моделирования для обучения модели на тщательно контролируемых вариациях фундаментальной физики жидкости, а также геометрии, по которой течет жидкость. Затем модель используется для прогнозирования. Их исследование показало, что и CNN, и PINN могут оптимизировать процессы моделирования, если нацелены на очень конкретные аспекты процесса решения. Сейчас они работают над гибридным подходом к обучению, чтобы достичь своей конечной цели — ускорить процесс проектирования.
«Мы ищем другой набор инструментов, который заменит старые инструменты», — сказал Хаснайн. «Мы пытаемся понять, как эти новые инструменты ведут себя в контексте приложений, которые традиционно управляются методами решения, основанными на основных принципах».
Исследователи опубликовали свои выводы в Journal of Mechanical Design. В их статье «Обобщаемость сетей сверточного кодера-декодера для предсказания аэродинамического поля потока с учетом геометрических и физико-жидкостных вариаций» основное внимание уделяется пониманию размерных инструментов, которые могут заменить инструменты моделирования, являющиеся текущим отраслевым стандартом.
На основе результатов исследования Хаснайн надеется построить автономную инфраструктуру, которая использует набор данных для создания решений моделирования с помощью гибридных архитектур машинного обучения. Благодаря алгоритмам и уже существующим данным инфраструктура будет процессом моделирования, который можно будет применять к различным системам в реальных приложениях. В конце концов, он планирует поделиться этой инфраструктурой для широкого и бесплатного использования.
«Я хотел бы, чтобы эта инфраструктура была общественной инициативой, которая предлагается бесплатно для всех», — сказал Хаснайн. «Возможно, что более важно, потому что он может производить решения, близкие к требованию, в отличие от современного современного моделирования, которое требует чрезвычайно много времени».
Инфраструктура находится на ранней стадии развития. Хаснайн и его коллеги-исследователи работают над созданием прототипа в ближайшем будущем.