کاربردهای هوش مصنوعی در مهندسی مکانیک
درباره این دوره
نوع دوره : حضوری
نوع مدرک : فنـی و حرفه‌ای
اسم دپارتمان : کسب و کار نوین
زمان دوره : از 16 مرداد ماه
ساعت برگزاری : پنج شنبه ها ساعت 9 الی 12
درباره مدرس دوره
دانشجوی دکتر جناب محمد سراج
مدرس دورهتحصیلات
در حال حاضر دانشجوی دکتری مکانیک در دانشگاه علم و صنعت ایران هستم و بر روی تخمین طول عمر باقیمانده باتری با استفاده از روش‌های یادگیری ماشین و شبکه‌های عصبی پژوهش می‌کنم. مقطع کارشناسی ارشد را در دانشگاه تهران به اتمام رساندم و در این دوره به بهینه‌سازی استوار و تخمین عدم قطعیت پرداختم. همچنین پروژه تخصصی فارغ التحصیلی بنده در زمینه بهینه‌سازی باتری‌های لیتیوم-یون با استفاده از جریان پالسی بوده است.
پروژه ها
بهینه‌سازی استوار هندسه سطوح بازتابنده سیستم تصویه آب
بهینه‌سازی هندسی هیت سینک‌های پین فین دار با استفاده ازالگوریتم‌های فراابتکاری
بهینه‌سازی مبدل‌های حرارتی با استفاده از روش شبکه عصبی مبتنی بر فیزیک (PINN)
تخصص ، مهارت و توانمندی ها
مسلط به نرم‌افزارهای Comsol و Fluent
مسلط به زبان‌های برنامه نویسی Python و MATLAB و C++
مسلط به نرم‌افزارهای CATIA و SolidWork
هوش مصنوعی (AI) در سال‌های اخیر به عنوان یک ابزار قدرتمند در مهندسی مکانیک مطرح شده است. یکی از مهم‌ترین کاربردهای AI در این رشته، بهینه‌سازی سیستم‌ها و فرآیندهای مهندسی است. با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری ماشین، مهندسان مکانیک می‌توانند عملکرد سیستم‌های پیچیده را بهبود بخشند و تصمیم‌گیری‌های دقیق‌تری داشته باشند.
شبکه‌های عصبی به دلیل توانایی یادگیری و مدل‌سازی روابط غیرخطی بین داده‌ها، به عنوان ابزاری موثر در تحلیل و پیش‌بینی رفتار سیستم‌ها شناخته می‌شوند. این تکنیک‌ها در بهینه‌سازی طراحی قطعات، کنترل فرآیندهای تولید و تشخیص عیوب کاربرد گسترده‌ای دارند. به عنوان مثال، شبکه‌های عصبی قادرند تنش‌ها و تغییر شکل‌های قطعات را تحت شرایط مختلف بارگذاری پیش‌بینی کنند و به مهندسان کمک کنند تا طراحی‌های بهینه‌تر و مقاوم‌تری ارائه دهند.
علاوه بر این، یادگیری ماشین امکان تحلیل داده‌های بزرگ و استخراج الگوهای پنهان را فراهم می‌کند. این ویژگی به مهندسان کمک می‌کند تا از داده‌های جمع‌آوری شده در طول عملیات، برای پیش‌بینی خرابی‌ها، بهبود نگهداری و کاهش هزینه‌ها استفاده کنند. همچنین الگوریتم‌های یادگیری تقویتی به کنترل خودکار سیستم‌ها کمک کرده و کارایی را افزایش می‌دهند.
در نهایت، استفاده از هوش مصنوعی باعث افزایش سرعت طراحی، کاهش خطاهای انسانی و بهبود کیفیت محصولات در مهندسی مکانیک می‌شود. این فناوری‌ها همچنان در حال پیشرفت بوده و نوید آینده‌ای هوشمندتر و کارآمدتر را در این حوزه می‌دهند.
اهداف یادگیری
موارد ارائه شده
- بخش اول: طراحی و شبیه سازی سیستم های مکانیکی
- طراحی و شبیه‌سازی سیستم خودروی الکتریکی (EV – Electric Vehicle)
- طراحی و شبیه‌سازی سیستم‌های تهویه مطبوع HVAC – Heating, Ventilation, and Air) (Conditioning
- طراحی و شبیه‌سازی مبدل‌های حرارتی (HX – Heat Exchanger)
- طراحی و شبیه‌سازی سیستم‌های سرمایشی (Refrigeration Systems)
- طراحی و شبیه‌سازی سیستم سرمایش کابین هلیکوپتر (Helicopter Cabin Cooling System)
- شبیه‌سازی سیستم گرمایش و سرمایش خودروی الکتریکی (EV Thermal Management System)
- طراحی و شبیه‌سازی سیستم مدیریت حرارتی باتری‌های لیتیوم‌یونی BTMS – Battery Thermal) Management System )
- شبیه‌سازی فرار حرارتی باتری‌ها (TR – Thermal Runaway in Batteries)
- ________________________________________
- بخش دوم: طراحی آزمایشات بهینه با استفاده از روش‌های نمونه‌برداری هوشمند
- عنوان: طراحی آزمایشات بهینه با رویکرد هوش مصنوعی
- • مقدمه‌ای بر طراحی آزمایشات (DOE) و اهمیت آن در مهندسی مکانیک
- • روش‌های نمونه‌برداری تصادفی و شبه‌تصادفی در DOE:
- o نمونه‌برداری تصادفی ساده
- o دنباله سوبول
- o دنباله هالتون
- o نمونه‌برداری ابرمکعب لاتین (LHS)
- مدل‌های جانشین مبتنی بر شبکه‌های عصبی مصنوعی و داده‌افزایی
- عنوان: مدل‌سازی جانشین و داده‌افزایی با استفاده از هوش مصنوعی
- 🔹 بخش A: مدل‌سازی با شبکه‌های عصبی مصنوعی (ANN)
- • مبانی شبکه‌های عصبی مصنوعی (ANN): ساختار، عملکرد و انواع
- o نورون مصنوعی و توابع فعال‌سازی
- o معماری شبکه‌های عصبی چندلایه
- o فرآیند یادگیری در شبکه‌های عصبی
- • درک عمیق‌تر ANN از طریق حل مثال
- • پیاده‌سازی یک شبکه عصبی ساده از صفر با کدنویسی
- • استفاده از جعبه‌ابزار fitnet در متلب
- o آموزش ANN با رابط گرافیکی (GUI)
- o آموزش ANN با کدنویسی برای کنترل بیشتر
- o بررسی روش‌های مختلف آموزش و توابع فعال‌سازی
- • استفاده از جعبه‌ابزار fitrnet برای مسائل رگرسیونی پیشرفته
- o بهینه‌سازی ابرپارامترها: جستجوی بیزین، جستجوی شبکه‌ای و جستجوی تصادفی
- 🔹 بخش B: داده‌افزایی برای بهبود کیفیت داده‌ها (Data Augmentation)
- • مقدمه‌ای بر داده‌افزایی و اهمیت آن در بهبود عملکرد مدل‌ها
- • معرفی و آموزش تکنیک‌های داده‌افزایی پیشرفته با مدل‌های مولد:
- o GaussianCopulaSynthesizer
- o CTGANSynthesizer
- o TVAESynthesizer
- o CopulaGANSynthesizer
- • کاربرد عملی این ابزارها در بهبود مجموعه‌داده‌های مهندسی و افزایش دقت مدل‌سازی جانشین
- بهینه‌سازی با استفاده از الگوریتم ژنتیک
- عنوان: بهینه‌سازی در مهندسی مکانیک با الگوریتم‌های فرگشتی
- • مبانی الگوریتم ژنتیک (GA): اصول و مراحل
- o نمایش کروموزوم و تابع برازش
- o عملگرهای ژنتیکی: انتخاب، تقاطع، جهش
- o معیارهای توقف
- • پیاده‌سازی یک الگوریتم ژنتیک ساده از صفر با کدنویسی
- • استفاده از جعبه‌ابزار GA در متلب:
- o تعریف مسئله بهینه‌سازی و تنظیم پارامترها
- o بررسی گزینه‌های مختلف انتخاب، تقاطع و جهش
- o کاربردهای بهینه‌سازی با GA در مسائل واقعی مهندسی مکانیک
پیشنیازها
- 1. افزایش دانش و درک عمیق از مفاهیم هوش مصنوعی و کاربرد آن در مهندسی مکانیک.
- 2. کسب مهارت‌های عملی در طراحی، شبیه‌سازی و بهینه‌سازی سیستم‌های مکانیکی با استفاده از ابزارهای هوشمند.
- 3. توانایی حل مسائل پیچیده مهندسی مکانیک با استفاده از روش‌های نوین هوش مصنوعی.
- 4. ارتقای فرصت‌های شغلی در صنایعی که به تخصص در زمینه هوش مصنوعی و مهندسی مکانیک نیاز دارند.
- 5. امکان انجام پژوهش‌های پیشرفته در زمینه کاربرد هوش مصنوعی در مهندسی مکانیک.
مخاطب هدف
- 1. دانشجویان و فارغ‌التحصیلان رشته‌های مهندسی مکانیک.
- 2. مهندسان و متخصصان فعال در صنایع مختلف مرتبط با مهندسی مکانیک.
- 3. پژوهشگران و علاقه‌مندان به کاربرد هوش مصنوعی در مسائل مهندسی.
- 4. افرادی که به دنبال ارتقای دانش و مهارت‌های خود در زمینه بهینه‌سازی سیستم‌ها هستند.
اساتید دوره
