به گزارش ایسنا و به نقل از آی ای، مهندسان مکانیک در دانشگاه کالیفرنیا لس آنجلس( UCLA) نوع جدیدی از مواد را تولید کرده اند که از هوش مصنوعی برای یادگیری رفتارها در دوره های زمانی طولانی استفاده می کند.
مزایای ماده جدید در صنایع مختلف
این ماده از یک سیستم ساختاری متشکل از میله های قابل تنظیم ساخته شده است که میتواند شکل و رفتار خود را در طول زمان تغییر دهد. محققان می گویند که این تغییر، واکنشی به شرایط دینامیکی است. پژوهشگران دریافتند که این ماده هوشمند میتواند در ساخت ساختمان ها، هواپیماها و فناوری تصویربرداری به کار رود.
جاناتان هاپکینز، پژوهشگر ارشد این مطالعه و استاد مهندسی مکانیک و هوافضا در دانشگاه UCLA می گوید:این تحقیق، یک ماده مصنوعی هوشمند را معرفی می کند و نمایش می دهد که میتواند رفتارها و ویژگی های مطلوب را پس از قرار گرفتن در معرض شرایط محیطی نشان دهد. اصول مورد استفاده در این تحقیق همان اصولی است که در فن آوری یادگیری ماشینی استفاده می شود و به مواد توانایی سازگاری می دهد.
مثال ارائه شده در این پژوهش به امکان استفاده از این ماده در بال هواپیما اشاره می کند. مواد هوشمند، توانایی یادگیری و تغییر شکل بال ها را دارند که این اتفاق بر اساس الگوهای باد در طول پرواز برای ایجاد انعطاف پذیری و کارایی بیشتر ممکن می شود.
این گروه پژوهشی همچنین مزایای استفاده از این ماده هوشمند در مصالح ساختمانی را با اشاره به بهبود پایداری در هنگام زلزله، طوفان یا سایر بلایا خاطر نشان می کند.
ساخت این ماده هوشمند
پژوهشگران از مفاهیم شبکه های عصبی مصنوعی( ANN) موجود برای ایجاد این ماده استفاده کرد. شبکه های عصبی مصنوعی، الگوریتم هایی هستند که یادگیری ماشینی را هدایت می کنند. آنها این ماده را شبکه عصبی مکانیکی( MNN) می نامند.
شبکه عصبی مکانیکی شامل میله های قابل تنظیم مستقل است که در یک الگوی شبکه مثلثی قرار گرفته اند. هر میله جداگانه حاوی یک سیم پیچ صوتی، فشارسنج و قطعه خمشی است که میله را قادر می سازد تا طول خود را تغییر دهد، با محیط متغیر خود در لحظه سازگار شود و با سایر میله های سیستم تعامل داشته باشد. این قطعات به ماده اجازه می دهند تا سازگاری خود را در محیط حفظ کند.
هدف از سیم پیچ، فشارسنج و قطعه خمشی
در این پژوهش در خصوص هدف از استفاده از سیم پیچ، فشارسنج و قطعه خمشی تأکید شده است، سیم پیچ صوتی که نام خود را از مورد استفاده اصلی خود در بلندگوها برای تبدیل میدان های مغناطیسی به حرکت مکانیکی گرفته است، فشرده سازی یا انبساط دقیق را در واکنش به نیروهای جدید وارد شده بر میله عملی می کند.
فشارسنج نیز مسئول جمع آوری داده ها از حرکت میله مورد استفاده در الگوریتم برای کنترل رفتار یادگیری است و قطعه خمشی هم اساساً به عنوان اتصالات انعطاف پذیر در بین میله های متحرک برای اتصال سیستم عمل می کند. این سه قطعه با هم کار می کنند تا خاصیت ارتجاعی و انعطاف پذیری را ایجاد کنند.
نهایی سازی سیستم شامل یک الگوریتم بهینه سازی است که کل سیستم را با گرفتن داده ها از فشارسنج ها و ایجاد مقادیر سختی برای کنترل نحوه انطباق شبکه تنظیم و مقدار نیرویی که باید اعمال شود را کنترل می کند. همچنین دوربین هایی روی قسمت بیرونی سیستم تعبیه شده است تا کارایی سیستم فشارسنج را بررسی کنند.
اهداف آتی
اندازه فعلی شبکه عصبی مکانیکی( MNN)، مشابه یک مایکروویو است. با این حال، پژوهشگران می خواهند این مفهوم را ساده تر کند تا بتوان هزاران سیستم را در مقیاس بسیار کوچک تری ایجاد کند تا در وظایف مختلف به کار روند.
در کنار استفاده از این مواد در هواپیماها و ساختمان ها، میتوان از این مواد در زره های محافظ آینده برای جلوگیری از امواج ضربه ای استفاده کرد.
نتایج این پژوهش در مجله Science Robotics به تفصیل شرح داده شده است.
- 11
- 2
