آخرين اخبار ايران و جهان

خبرها حاكي از جهشي بزرگ در علم ساخت هواپيماهاي جنگنده است. دانشمندان آمريكايي به فناوري پيشرفته‌اي در اين زمينه دست يافته‌اند.

عصر ايران نوشت: دانشمندان آمريكايي در حال بررسي آلياژهاي حافظه‌دار شكلي (SMA) با بهره‌گيري از هوش مصنوعي هستند تا عملكرد هواپيماهاي جنگنده را بهبود بخشيده و كارايي آن‌ها را افزايش دهند.

علم ساخت هواپيماهاي جنگنده اكنون جهشي بزرگ يافته است

فناوري آلياژهاي حافظه‌دار شكلي امكان تا شدن بال‌هاي هواپيماهاي جنگي از طريق گرم و سرد شدن الكتريكي را فراهم مي‌كند كه به بهينه‌تر شدن حركت آن‌ها كمك مي‌كند. جنگنده‌هايي نظير F/A-18 آمريكا بايد بتوانند بال‌هاي خود را جمع كنند تا در فضاي محدود ناوهاي هواپيمابر جا بگيرند.

در حال حاضر، سامانه‌اي كه در جنگنده‌ها به كار مي‌رود از اجزاي مكانيكي سنگين تشكيل شده است. استفاده از آلياژهاي حافظه‌دار شكلي با دماي بالا (HTSMA) مي‌تواند اين وضعيت را تغيير دهد. اين آلياژها باعث مي‌شوند جنگنده‌ها با وزن كمتر و بهره‌وري بالاتر عمل كنند، به اين معنا كه تعداد بيشتري از آن‌ها با سرعت بيشتر و مصرف انرژي بهينه آماده پرواز خواهند شد.

با اين حال، آلياژهاي حافظه‌دار شكل تا امروز با مشكل اصلي هزينه بالا مواجه بوده‌اند. پژوهشگران گروه علوم و مهندسي مواد در دانشگاه Texas A&M معتقدند تركيب هوش مصنوعي با آزمايش‌هاي پرسرعت مي‌تواند روند كشف مواد را تسريع كرده و هزينه توسعه را كاهش دهد. به اين ترتيب، روند طراحي مواد جديد با سرعت بيشتر و هزينه مقرون‌به‌صرفه‌تري انجام خواهد شد.

فرآيند طراحي مواد جديد مستلزم آزمودن هزاران تركيب فلزي است تا گزينه مناسب شناسايي شود، زيرا حتي تغييرات بسيار جزئي در تركيب مي‌تواند رفتار ماده را كاملاً دگرگون سازد. از اين رو، يافتن تركيب مناسب براي يك آلياژ بيشتر شبيه به فرآيندي تصادفي و مبتني بر آزمون و خطاست.

تيمي به سرپرستي پروفسور ابراهيم كارامان، رويكردي داده‌محور براي كشف مواد ابداع كرده‌اند. كارامان اظهار داشت: «اين تحقيق نشان مي‌دهد كه مي‌توان آلياژهاي دماي بالاي بهتري را بدون تكيه بر آزمون و خطاي پرهزينه، بلكه از طريق جست‌وجوي هدفمند و هوشمندانه بر اساس داده و فيزيك طراحي كرد.»

اين گروه برنامه شرطبندي از رايانه‌هاي قدرتمند و هوش مصنوعي براي پيش‌بيني نحوه برهم‌كنش تركيب‌هاي مختلف فلزي بهره گرفته‌اند تا نيازي به بررسي همه گزينه‌ها در آزمايشگاه نباشد. اين موضوع باعث كاهش چشمگير در تعداد تركيبات مورد نياز براي آزمون آزمايشگاهي مي‌شود.

آن‌ها هوش ماشيني را با آزمايش‌هاي تجربي از طريق چارچوبي موسوم به بهينه‌سازي بيزي دسته‌اي (Batch Bayesian Optimization يا BBO) يكپارچه كرده‌اند. اين چارچوب امكان به‌روزرساني پيش‌بيني‌ها را بر اساس نتايج آزمايش‌هاي پيشين فراهم كرده، ميزان هدررفت را كاهش داده و بهره‌وري كشف مواد را افزايش مي‌دهد.

كارامان مي‌گويد: «اين چارچوب نه‌تنها سرعت كشف مواد را افزايش مي‌دهد، بلكه امكان طراحي آلياژهايي براي كاربردهاي خاص مانند كاهش اتلاف انرژي يا بهبود عملكرد عملگرها را نيز فراهم مي‌كند.» هدف آن‌ها طراحي موادي است كه در واكنش به گرما يا جريان برق، تغيير شكل دهند؛ مشابه كاركرد عضله براي ماشين‌ها.

اين مواد ويژه كه با عنوان عملگر (Actuator) شناخته مي‌شوند، در صنايع هوافضا، رباتيك و تجهيزات پزشكي كاربرد دارند. در صورت تحقق هدف نهايي، مي‌توان انتظار داشت كه جنگنده‌هاي ايالات متحده چابك‌تر و با عملكرد بالاتري عمل كنند.

نتايج اين پژوهش درباره جهش بزرگ در علم ساخت هواپيماهاي جنگنده در مجله Acta Materialia منتشر شده است.