Temel Çıkarımlar

• AI-destekli vekil modeller, tam-fizik doğruluğunun %1–3’ü içinde kalarak 3-D simülasyon süresini %95 azaltabilir.
• Model doğruluğu veri hacmi, etiketleme çabası ve hesaplama bütçesine bağlıdır; tipik bir denge %2 hata için 5 k–20 k eğitim noktasıdır.
• Üç gerçek-dünya vaka çalışması—lüks saat akustiği, yüksek basınçlı vana akışı ve GPU soğuk plaka termal yönetimi—tasarım yinelemesi başına 12 saatten <5 dakikaya kadar tasarruf gösteriyor.
• Doğru şekilde doğrulandığında, vekil modeller optimizasyon döngülerinde maliyetli FEM/BEM analizlerine güvenilir bir doğrudan ikame haline gelir.

Mühendisler AI Vekil Modellerini Daha Hızlı, Doğru Simülasyon İçin Nasıl Kullanıyor

Yapay zeka, mekanik mühendislerin tasarımları doğrulama biçimini yeniden şekillendiriyor. Fiziksel testlerden, laboratuvar ekipmanlarından ve sonlu-eleman analizlerinden (FEA) üretilen verilerle makine-öğrenimi (ML) modelleri eğitilerek, vekil modeller oluşturulabiliyor; bu modeller, geleneksel 3-D çözücülerden çok daha kısa sürede sistem davranışını tahmin ediyor. Anahtar, istenen doğruluk, mevcut veri ve hesaplama çabası arasında denge kurmak. Aşağıda, vekil modellerin ölçülebilir YG sağladığı üç farklı mühendislik sorunu inceleniyor.

1. Lüks Saatlerin “Müzik” Ayarı

Sorun

Yüksek-seviye bir saatin dakik-tekrarlayıcısı, lüks alıcı beklentilerini karşılamak için 2 kHz–3 kHz dar bir bant içinde çalmalıdır. Akustik performans şu faktörlere bağlıdır:

Tam sınır-eleman yöntemi (BEM) simülasyonu, tek bir parametre seti için 64-çekirdekli bir iş istasyonunda yaklaşık ~12 h sürer.

AI Vekil Yaklaşımı

• Veri Üretimi: 10-parametreli tasarım uzayını kapsayan 4 800 BEM çalışması.
• Model Türü: Üç gizli katmanlı derin sinir ağı (DNN) (256-128-64 nöron).
• Eğitim Süresi: NVIDIA RTX 3090 GPU’da 2 h.

Sonuçlar

• Tahmin Hızı: Değerlendirme başına < 5 ms (≈2 400 × daha hızlı).
• Hata Marjı: BEM’e göre akustik basınç seviyesinde %1.8 RMS hata.
• Optimizasyon Döngüsü: Önceden gerekli 180 BEM değerlendirmesine kıyasla, hedef 2.5 kHz tonuna 30 vekil-tabanlı yineleme ile ulaşıldı.

2. Yüksek Basınçlı Valflerde Akış Optimizasyonu

Zorluk

Petrokimya tesislerinde kullanılan 150 bar, 30 mm-çaplı paslanmaz çelik bir valf, basınç düşüşü (≤ 0.8 bar) ile akış katsayısı (Cv) (≥ 45) arasında denge kurmalıdır. Geleneksel CFD (Reynolds-averaged Navier-Stokes) çalışmaları her biri 8–10 h sürer.

Vekil Geliştirme

• Eğitim Seti: Giriş açısı, oturma eğriliği ve yay ön yükü değiştirilen 6 200 CFD simülasyonu.
• Algoritma: 500 ağaçlı, maksimum derinlik = 8 Gradient-boosted regresyon ağaçları (XGBoost).
• Doğrulama: 10-katlı çapraz doğrulama R² = 0.97 verdi.

Performans Kazançları

Vekil, bir dakikadan kısa sürede Pareto ön yüzü oluşturulmasını sağlayarak tasarımcıların Cv ve basınç kaybı arasındaki takasları anında incelemesine imkan tanıdı.

3. GPU Soğuk Plakalarının Termal Yönetimi

Bağlam

Modern veri merkezi GPU’ları 350 W kadar ısı yayar. Mikro-kanal geometrili soğuk plakalar, silikon sıcaklığını 85 °C altında tutmalı ve soğutucu basınç kaybını (< 0.5 bar) minimize etmelidir. Tam birleşik ısı-transfer (CHT) simülasyonları her geometri için 10–14 h sürer.

AI Model İnşası

• Veri Seti: Kanal yüksekliği (0.3–0.8 mm), kanat yoğunluğu (8–20 mm⁻¹) ve soğutucu debisi (0.5–2 L/min) değiştirilen 5 500 CHT çalışması.
• Model: 2-D rasterleştirilmiş geometriyi alıp sıcaklık dağılımını veren konvolüsyonel sinir ağı (CNN).
• Eğitim: Çift-GPU iş istasyonunda 4 h.

Sonuçlar

• Hız: Geometri başına 0.008 s (≈ 1 200 × daha hızlı).
• Doğruluk: Doğrulama setinde maksimum sıcaklık hatası < 2 °C.
• Tasarım Optimizasyonu: Sadece 25 vekil-tabanlı yineleme ile, chip sıcaklığı ≤ 84 °C korunurken soğutucu basınç kaybında %12 azalma sağlandı.

Karşılaştırma: Geleneksel Simülasyon vs. AI Vekil