Mühendislikte yapay zeka ile tasarım ve simülasyon optimizasyonu

Tasarım optimizasyonu neden yapay zekaya ihtiyaç duyar?

Bir mühendislik tasarımı birçok parametrenin bileşimidir: kalınlıklar, yarıçaplar, malzeme seçimleri, çalışma koşulları. Her kombinasyonu ayrı ayrı sonlu elemanlar ya da akışkan çözümlemesiyle denemek, çözüm süresi uzadıkça pratik olmaktan çıkar. Mühendis genellikle deneyimine güvenerek birkaç aday seçer, onları simüle eder ve uygun olanı seçer. Bu yaklaşım iyi çalışır, ama tasarım uzayının büyük bölümü hiç taranmadan kalır.

Yapay zeka bu tabloya katkı yapar. Birincisi, pahalı simülasyonun yerine geçen hızlı bir yaklaşık model kurmak. İkincisi, aramayı rastgele değil, önceki sonuçlardan öğrenerek yönlendirmek. Böylece aynı hesaplama bütçesiyle daha çok aday değerlendirilir ve tasarım uzayının umut vadeden bölgelerine daha erken ulaşılır. Yapay zeka mühendisin yerini almaz; hangi amacın optimize edileceğini, hangi kısıtların vazgeçilmez olduğunu ve sonucun fiziksel olarak anlamlı olup olmadığını yine mühendis belirler.

Adım adım yöntem: problemi tanımlamaktan doğrulamaya

İyi bir optimizasyon çalışması modelden önce problem tanımıyla başlar. Sıra genellikle şöyledir:

• Amaçları ve kısıtları yazın: ağırlığı azaltmak, rijitliği korumak, basınç düşümünü sınırlamak gibi. Amaçlar çelişiyorsa bunu baştan kabul edin.
• Tasarım değişkenlerini seçin ve her birinin alt ve üst sınırını belirleyin. Üretilemeyecek geometrileri bu aşamada dışarıda bırakın.
• Deney tasarımı ile başlangıç örneklerini üretin. Değişkenlerin uzayı düzgün kapladığı bir örnekleme, rastgele seçimden çoğu zaman daha verimlidir.
• Her örnek için tam simülasyonu çalıştırıp çıktıları kaydedin. Bu veri kümesi, yapay zeka modelinin ders kitabıdır.
• Girdi parametrelerinden çıktı büyüklüklerini tahmin eden bir vekil model (surrogate model) eğitin. Küçük veri kümelerinde Gauss süreç regresyonu, daha büyüklerde sinir ağları ve ağaç tabanlı yöntemler sık kullanılır.
• Vekil model üzerinde optimizasyon algoritmasını çalıştırın. Hızlı tahmin sayesinde çok sayıda aday dakikalar içinde taranır.
• Umut vadeden adayları tam simülasyonla yeniden çalıştırıp doğrulayın. Vekil modelin tahmini ile gerçek çözüm arasındaki sapma burada görünür.
• Doğrulanan sonuçları veri kümesine ekleyip modeli güncelleyin ve döngüyü yineleyin.

Vekil model ve Bayesçi optimizasyon: hangi durumda hangisi?

Vekil model, simülasyonun girdi çıktı ilişkisini öğrenen hafif bir yaklaşımdır. Bir kez eğitildikten sonra tahmin süresi çok kısadır; bu da yüzlerce tasarım varyantını anında karşılaştırmayı mümkün kılar. Tasarım uzayı geniş ve simülasyon pahalıysa en çok değer üreten yaklaşım budur.

Bayesçi optimizasyon ise vekil modeli arama stratejisiyle birleştirir. Model her yeni simülasyondan sonra güncellenir ve bir sonraki denenecek noktayı hem umut vadeden hem de belirsizliği yüksek bölgeler arasından seçer. Her simülasyonun saatler sürdüğü, dolayısıyla deneme sayısının kısıtlı olduğu durumlarda tercih edilir.

Topoloji optimizasyonu ve generatif tasarım ise farklı bir düşünce izler: değişkenleri baştan sabitlemek yerine, belirli yük ve kısıtlar altında malzemenin nereye konacağını algoritmaya bırakır. Çıkan geometri çoğu zaman organik görünür; üretim yöntemine uygunluğu ayrıca kontrol edilmelidir.

Çok amaçlı tasarımda Pareto düşüncesi

Gerçek tasarımlarda tek amaç nadirdir. Hafif olan parça genellikle daha az rijittir; verimli bir ısı değiştirici daha büyük basınç kaybı yaratır. Çok amaçlı optimizasyon tek bir çözüm üretmek yerine, bir amaçtan vazgeçmeden diğerini iyileştirmenin mümkün olmadığı tasarımlar kümesini, yani Pareto sınırını verir.

Bu sınır, karar toplantısında somut bir araç olur. Örneğin ürün yöneticisi maliyeti, tasarım mühendisi dayanımı öne çıkarabilir; sınır üzerindeki seçenekler yan yana konunca tartışma sezgiden verilere taşınır. Yapay zeka destekli arama, bu sınırı daha az simülasyonla çıkarmaya yardım eder. Son seçim ise tasarım ekibinin işidir, çünkü üretilebilirlik, tedarik ve servis koşulları gibi ölçütler çoğu zaman modele hiç girmez.

Örnek senaryo: bir braket tasarımının hafifletilmesi

Örneğin bir makine braketinin ağırlığını, belirli yük altında izin verilen gerilmeyi aşmadan azaltmak isteniyor. Tasarım değişkenleri duvar kalınlıkları, kaburga konumları ve delik yarıçaplarıdır. Ekip önce değişkenlerin sınırlarını belirler, deney tasarımıyla başlangıç örneklerini üretir ve her biri için sonlu elemanlar analizini çalıştırır.

Elde edilen veriyle gerilme ve yer değiştirme için ayrı vekil modeller eğitilir. Optimizasyon algoritması vekil modeller üzerinde ağırlığı küçültürken gerilme kısıtını korur. En umut vadeden adaylar tam analizle yeniden çalıştırılır; sapma kabul edilebilir sınırdaysa tasarım ilerler, değilse yeni noktalar veri kümesine eklenerek model yenilenir. Bu akışta yapay zeka analizin yerine geçmez; hangi analizin çalıştırılacağını akıllıca seçer ve analiz sayısını düşürür.

Sık yapılan hatalar

Birinci hata, vekil modelin eğitim aralığının dışında güvenle kullanılmasıdır. Model, gördüğü veri bölgesinin dışında tutarsız tahminler üretebilir; optimizasyon da tam bu bölgelere çekilmeye yatkındır. Çözüm, aday tasarımları mutlaka tam simülasyonla doğrulamak ve gerektiğinde veri toplamayı o bölgeye yönlendirmektir.

İkinci hata, fiziği yok saymaktır. Saf veri odaklı model, enerji korunumu ya da simetri gibi bilinen kısıtları ihlal edebilir. Fizik bilgisini giriş değişkenlerine, çıktıların ölçeklenmesine ya da kayıp fonksiyonuna katmak sonuçları belirgin biçimde iyileştirir.

Üçüncü hata, simülasyonun kendi hatasını gözden kaçırmaktır. Ağ yapısı ya da sınır koşulları yanlış kurulmuş bir analiz, ne kadar çok örnek üretilirse üretilsin yanlış bir model öğretir. Yapay zeka katmanı, simülasyonun doğrulanmış olması şartıyla anlamlıdır.

Son olarak, amaç fonksiyonunu dar tanımlamak da sık görülür. Yalnız ağırlığı küçülten bir algoritma, üretilemeyecek kadar ince duvarlar önerebilir. Üretim kısıtlarını başlangıçta tanımlamak bu sürprizi önler.

Öğrenme yolu: başlangıçtan ileri düzeye

Başlangıçta mühendislik bilginiz kadar önemli temeller vardır: veriyle çalışmaya yetecek kadar Python ve temel istatistik. Ardından örnekleme ve deney tasarımı, regresyon modelleri ve model doğrulama (çapraz doğrulama, hata ölçütleri) konularını öğrenin. Bu aşamada kendi alanınızdan küçük bir problemle, örneğin analitik formülü bilinen bir kirişle, vekil model kurup gerçek çözümle karşılaştırmak en hızlı öğrenme yöntemidir.

Orta düzeyde Bayesçi optimizasyon, çok amaçlı arama algoritmaları ve simülasyon yazılımınızın betik arayüzü devreye girer; amaç döngüyü otomatikleştirmektir. İleri düzeyde ise fizik bilgili sinir ağları, derin öğrenmeyle geometri ve alan tahmini, belirsizlik nicelleştirme gibi konular yer alır. Her aşamada ölçüt aynıdır: modelinizin tahmini, bağımsız bir doğrulama simülasyonuyla ne kadar örtüşüyor?

Mindset programlarında nerede çalışılır?

Mindset kataloğundaki Mühendisler için Yapay Zeka Uygulamaları eğitiminin modül başlıkları arasında Yapay Zeka ile Tasarım Optimizasyonu ve Simülasyon yer alır. Aynı programda teknik dokümantasyon, kalite kontrol ve görüntü analizi, kestirimci bakım ve mühendislik veri analitiği modülleri de bulunur; yani konu, mühendislik iş akışının geri kalanıyla birlikte ele alınır.

Bu yapı, tasarım ve analiz mühendislerinin yanı sıra kalite, bakım ve Ar-Ge ekipleri için de anlamlıdır. Kurumsal ekiplerde ortak bir dil kurmak istenirse aynı içerik farklı mühendislik disiplinlerinin kendi veri ve simülasyon örnekleriyle birlikte tartışılabilir.