يواجه تحسين الشكل الهندسي في مجال الهندسة عدة تحديات تقليدية، من بينها اعتماد عملية الإعداد على الخبراء وعدم موثوقية نماذج التوقع البديلة. في تصاميم الديناميكا الهوائية، يتعين على المهندسين المتمرسين تحديد إعدادات التحسين يدويًا، مثل المناطق القابلة للتعديل وقيود الحفاظ على التصميم. لكن بعد ظهور إطار جديد يركز على القيود المعرفية، أصبح بالإمكان تحويل هذه المعرفة إلى معايير كمية قابلة للاستخدام بواسطة مشغلات تحويل تعتمد على التغيرات في الشكل (DFFD).

ما يميز هذا الإطار هو تطوير مشغل عصبي مكون من مزيج من الخبراء (Mixture-of-Experts Neural Operator - MoE-NO) والذي يهدف إلى تحسين توقعات السحب والحفاظ على تناسق الاتجاهات عبر البيانات الديناميكية الهوائية المتباينة. من خلال استخدام وحدة ترميز MoE-NO واستراتيجية تقدير عدم اليقين، يمكن للنظام تحديد الأشكال غير المتوقعة والتفاعل مع ملاحظات حل الفيزياء لتحسين العينات المحلية.

أظهرت التجارب على قاعدة بيانات تشمل MPV وSUV وسيدان أن MoE-NO حقق دقة في مجموعة الاختبار بلغت 1.16% ودقة تنبؤ بالاتجاه وصلت إلى 94.34%، متفوقًا على أفضل نتائج مقارنة (1.52% و90.34% على التوالي). كما أسفرت تجارب تحسين شكل السيارة عن تقليل معامل السحب بنسبة تتراوح بين 4% و10%، مما يدل على فعالية هذا الابتكار في تصميم المركبات وتحسين أدائها.

في ختام هذا الاكتشاف الرائع، يبدو أن المستقبل يحمل لنا المزيد من الابتكارات في مجال تحسين التصميمات الهندسية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.