في عالم تصميم السفن، تمثل الاهتزازات الناتجة عن المحركات تحديًا كبيرًا، حيث تؤدي هذه الاهتزازات إلى زيادة الضوضاء والإرهاق، فضلاً عن تلف المعدات. في هذه الدراسة الجديدة، تمتد طريقة تحسين بنية الطوبولوجيا المعتمدة على إعادة المعلمات العصبية (Neural-reparameterized topology optimization) باستخدام الشبكة التلافيفية المعروفة باسم كولموغوروف-أرنولد (KATO) إلى التصميم تحت اهتزازات الناقلات باستخدام طاقة الإدخال النشطة (Active Input Power - AIP) كهدف.

تتضمن التطبيقات نتائج مثيرة، مثل اللوحة السفلية الداعمة للمحرك التي تعمل بتردد 100 هيرتز وإطار دعم المحرك بتردد 18 هيرتز. تم استخدام تقنيات تصفية هيلمهولتز (Helmholtz PDE filtering) والتحكم في الإسقاط (Heaviside projection) لتهيئة الأحجام ومراعاة جودة التصنيع.

لقد أظهرت النتائج أن جميع تصميمات الطوبولوجيا الثمانية المحسنة تقلل من طلب الطاقة (AIP) مقارنة بالتصميمات التقليدية، وفي العمليات الناتجة عن التحليل ثنائي الأبعاد، تحقق أيضًا انخفاضًا في الصلابة الساكنة. بالنسبة للإصدارات غير المقيدة التي تدرك التصنيع وتعتمد على الضغط، تتساوى نتائج KATO مع أسلوب GCMMA في طلب الطاقة ضمن 0.5 ديسيبل مع تحقيق انخفاض في الصلابة الساكنة يصل إلى 22-36 مرة بعد إعادة التحليل.

عند التعامل مع حالة اهتزاز قريبة من الرنين بتردد 300 هيرتز، تخفض الأساليب كلا من الطاقة المطلوبة الأولية بأكثر من 32 ديسيبل؛ حيث تحافظ KATO على تصميم متصل وتحقق انخفاضًا يصل إلى 59 مرة في الصلابة الساكنة، بينما تخفض أقصى طلب للطاقة عبر نطاق تردد 1-500 هيرتز بمقدار 2.7 ديسيبل.

الأهم من ذلك، تعمل KATO بسرعة تتراوح بين 6.4 إلى 10.4 مرة أسرع من GCMMA في الصيغ المعتمدة على الضغط. هذه النتائج تبرز أهمية استخدام تحسين الطوبولوجيا المدفوعة بالطاقة النشطة المعتمدة على الذكاء الاصطناعي كطريقة فعالة لتصميم هياكل السفن المتصلة والمتحكم فيها بحجم الميزات مع تحسين الأداء تحت الاهتزازات القسرية.