المصدر: الهياكل الزجاجية والهندسة |https://doi.org/10.1007/s40940-020-00132-8
تتقدم "البيانات الضخمة" واستخدام "الذكاء الاصطناعي" (AI) حاليًا بسبب قدرات جمع البيانات ومعالجتها المتزايدة والأرخص.يتم توقع التغيير الاجتماعي والاقتصادي من قبل العديد من قادة الشركات والسياسيين والباحثين.يعد التعلم الآلي والتعلم العميق (ML/DL) من الأنواع الفرعية للذكاء الاصطناعي، والتي تحظى باهتمام كبير داخل مجتمع علماء البيانات والمهندسين في جميع أنحاء العالم.من الواضح أن هذا الاتجاه العالمي لا يتوقف عند هندسة الزجاج الإنشائي، لذا فإن الجزء الأول من هذا البحث يهتم بإدخال الإطار النظري الأساسي للذكاء الاصطناعي وفئاته الفرعية ML وDL مع الاحتياجات والمتطلبات المحددة للذكاء الاصطناعي. يتم تسليط الضوء على التطبيق في سياق الهندسة الإنشائية. آلة تصفيح الفلوت 3ply
ربما يكون الذكاء الاصطناعي، أو الذكاء الاصطناعي باختصار، هو المصطلح الذي يؤدي إلى المناقشات الأكثر حيوية اليوم في شركات قطاع التكنولوجيا والجامعات والشركات الناشئة، ولكن أيضًا في شركات أخرى منخفضة التقنية تتمتع بدرجة صغيرة من الرقمنة.نظرًا للرقمنة المتقدمة في جميع قطاعات الصناعة (Barbosa et al. 2017; Lampropoulos et al. 2019; Schober 2020) بينما تنخفض تكاليف معالجة البيانات وتخزينها بشكل مطرد (Kurt Peker et al. 2020; Kraus and Drass 2020a)، الذكاء الاصطناعي يمهد حاليا طريقه من موضوع الاعتبارات الأكاديمية إلى الحياة اليومية الخاصة والمهنية في مجموعة واسعة من الأشكال.
يتخيل معظم الأشخاص في الأوساط الأكاديمية والصناعية الذين ليسوا على دراية بمجال الذكاء الاصطناعي أن التكنولوجيا مشابهة لأفلام الخيال العلمي الشهيرة مثل "Terminator" أو "Blade Runner" أو "Matrix" أو "AI Artificial Intelligence".ومع ذلك، فإن الذكاء الاصطناعي موجود اليوم في الحياة اليومية في أشكال أقل إثارة وأشبه بالبشر مثل مرشحات البريد العشوائي أو أنظمة التوصية أو مساعدي اللغة الرقمية مثل "Alexa" (Amazon) أو "Siri" (Apple) (Kepuska and Bohouta 2018).يمكن الحصول على انطباع عن تأثيرات الذكاء الاصطناعي على السياقات الهندسية من خلال النظر في التطورات والنتائج المتعلقة بالسيارة ذاتية الدفع (Badue et al. 2019).
هناك عدد كبير من الأسئلة التي يجب معالجتها على عدة مستويات، بدءًا من المخاوف الأخلاقية والقانونية المتعلقة بموثوقية الذكاء الاصطناعي وعواقب الفشل (Holstein et al. 2018; Greenblatt 2016) إلى المخاوف الفنية للغاية مثل صياغة مشاكل التعلم أو معالجة كمية متزايدة من البيانات المجمعة (Hars 2015; Daily et al. 2017).تثار الكثير من الأسئلة المشابهة في حالة تطبيق الذكاء الاصطناعي في سياقات الهندسة المدنية مع اختلاف النطق.ومع ذلك، ستوضح هذه الورقة أن الذكاء الاصطناعي يقدم العديد من الإمكانات الجديدة ومزايا معينة مقارنة بالطرق الحالية لاستخدامها في الهندسة المدنية، وخاصة هندسة الزجاج، والتطوير والممارسة.
في الأساس، تلعب تخصصات الإحصاء والأرقام والتحسين دورًا رئيسيًا في فهم البيانات ووصف خصائص مجموعة البيانات وإيجاد العلاقات والأنماط في هذه البيانات واختيار نموذج الذكاء الاصطناعي المناسب وتطبيقه.على الرغم من أن مكتبات برامج الذكاء الاصطناعي في الوقت الحاضر مثل Tensorflow (Abadi et al. 2016)، أو Keras (Chollet et al. 2015) أو PyTorch (Paszke et al. 2019) توفر العديد من الوظائف الضرورية دون أي تكلفة مالية، إلا أن المؤلفين يعتبرونها ضرورية لنجاح إن تطبيق الذكاء الاصطناعي في العلوم الهندسية وخاصة في هندسة الزجاج الإنشائي لا يؤدي إلا إلى مزيج معقول من المعرفة المنهجية للذكاء الاصطناعي ومعرفة الخبراء للمهندس إلى أدوات مفيدة وقيمة.
يقدم هذا القسم مقدمة غير شاملة حول موضوعات الذكاء الاصطناعي والتعلم الآلي والتعلم العميق، في حين يمكن العثور على وصف أكثر جوهرية وتفصيلاً من الناحية النظرية للذكاء الاصطناعي وفئاته الفرعية في (LeCun et al. 2015; Binkhonain and Zhao) 2019؛ دال وآخرون 2020؛ جودفيلو وآخرون 2016؛ فروشت 2019؛ وولفغانغ 2017؛ ريبالا وآخرون 2019؛ تشودري 2020).علاوة على ذلك، يقدم (Goulet 2020) على وجه الخصوص مقدمة تشبه الكتب المدرسية لموضوعات الذكاء الاصطناعي مع التركيز على الهندسة المدنية.
وبالتالي، فإن الذكاء الاصطناعي هو مجال بحث متعدد التخصصات لعدد من التطورات اللاحقة والخوارزميات والأشكال والمقاييس التي يحدث فيها عمل الذكاء الاصطناعي، والتي تم تقديمها في البداية في مؤتمر عقد في جامعة دارتموث في عام 1956 (Brownlee 2011; McCarthy et al. 1956؛ مور 2006).الذكاء الاصطناعي مخصص لنظرية وتطوير الأنظمة الحسابية، القادرة على أداء المهام التي تتطلب ذكاءً بشريًا، مثل الإدراك البصري، والتعرف على الكلام، وترجمة اللغة، واتخاذ القرار (Brownlee 2011).ومن هنا، ظهر عدد من المجالات الفرعية للذكاء الاصطناعي، مثل التعلم الآلي (Turing 1950)، والذي ركز تاريخياً على التعرف على الأنماط (Marr 2016).بالتوازي، تم تطوير المفهوم الأول للشبكة العصبية على يد مارفن مينسكي (Russell and Norvig 2020)، والذي مهد الطريق للتعلم العميق.
ومن المثير للاهتمام أن الذكاء الاصطناعي حتى الآن كان عليه التغلب على العديد من الفترات العجاف ("شتاء الذكاء الاصطناعي") على مر السنين (Crevier 1993)، ولكن في الوقت الحاضر يبدو واعدًا لتحقيق اختراق واسع في تكنولوجيا الذكاء الاصطناعي في عدة فروع مثل الرقمية والحسابية. وتتوفر الموارد النقدية لتوفير الظروف الخصبة (Goodfellow et al. 2016; Schober 2020; Kraus and Drass 2020a).
ومن ناحية علوم الكمبيوتر، يتم التمييز بين الذكاء الاصطناعي الضعيف (أو الضيق) والقوي (أو العام/الفائق) (Russell and Norvig 2020; Goodfellow et al. 2016; Frochte 2019).على وجه الخصوص، يتعامل الذكاء الاصطناعي الضعيف مع مشاكل التطبيق الملموسة وحلها، والتي يتطلب فيها الفهم الأساسي نوع "الذكاء".يمكن أن يتم تأطير المساعدين الرقميين المعروفين مثل Siri من Apple (www.apple.com/sir) و Alexa من Amazon (Ale 2020) بذكاء اصطناعي ضعيف لأن عملياتهم تقتصر على نطاق محدد مسبقًا من الوظائف.بشكل أساسي، تبحث النماذج المدربة مسبقًا عن الأنماط في عينة صوتية معترف بها وتصنف الكلمات المنطوقة وفقًا لذلك في كلتا الحالتين.
ومع ذلك، هناك المزيد والمزيد من الجهود التي يبذلها عمالقة التكنولوجيا من وادي السيليكون في كاليفورنيا لإنشاء أنظمة ذكاء اصطناعي لا تؤدي مهمة محددة فحسب، بل تحل مجموعة واسعة من المشكلات وتصدر تعميمات حول مشكلة معينة.نظرًا لأن مجال الذكاء الاصطناعي القوي لا يزال في بداياته، فلن يتم وصف سوى الذكاء الاصطناعي الضعيف ومكوناته بمزيد من التفصيل واستخدامه في هذه المقالة.تم تخطي المزيد من التفاصيل حول التطور التاريخي للذكاء الاصطناعي وتعريفه في الفلسفة الضعيفة والقوية أو الأنيقة والمزعجة للذكاء الاصطناعي في هذه المرحلة بالإشارة إلى (Goodfellow et al. 2016; Brownlee 2011; Chowdhary 2020).
تعد النماذج والخوارزميات لبنات بناء أساسية لتطبيق الذكاء الاصطناعي على المشكلات العملية، حيث يتم تعريف الخوارزمية على أنها مجموعة من القواعد التي لا لبس فيها تُعطى لبرنامج الذكاء الاصطناعي لمساعدته على التعلم من تلقاء نفسه.(Mitchell 1997; Frochte 2019) يحدد برنامج الكمبيوتر ليتعلم "من الخبرة E فيما يتعلق ببعض فئات المهام T ومقياس الأداء P، إذا تحسن أدائه في المهام في T، كما تم قياسه بواسطة P، مع الخبرة E."
يسمح هذا التعريف بمجموعة واسعة من الخبرات E، والمهام T، ومقاييس الأداء P. ومع ذلك، في ما تبقى من هذه الورقة، يتم تقديم أوصاف وأمثلة بديهية (القسم 3) لأنواع مختلفة من المهام، ومقاييس الأداء، والخبرات لبناء خوارزميات التعلم الآلي والعميق.عند هذه النقطة، يتم تقديم بعض التفاصيل الإضافية حول المهمة T والأداء P بالإضافة إلى دور البيانات.
قبل الخوض في تفاصيل T وP في هذا القسم، سنتناول بمزيد من التفصيل تجربة E ودور البيانات في الذكاء الاصطناعي والتعلم الآلي والتعلم.E عبارة عن مجموعة بيانات D كاملة، تسمى عناصرها نقاط البيانات (أو أمثلة (Goodfellow et al. 2016)).تتكون نقطة البيانات أو المثال على الأقل من الميزات x∈Rn، حيث الميزة هي خاصية فردية قابلة للقياس أو خاصية لظاهرة يتم ملاحظتها (Bishop 2006; Kuhn and Johnson 2013).يرتبط مفهوم الميزة ارتباطًا وثيقًا بما يعرف بـ “المتغير التوضيحي/المستقل” في التقنيات الإحصائية مثل الانحدار الخطي.
علاوة على ذلك، قد يتم تقسيم ميزات E بشكل أكبر لفصل الأهداف/التسميات yy بين الميزات المتبقية xx، حيث يتم استخدام خوارزمية الذكاء الاصطناعي للكشف عن العلاقات بين الميزات المتبقية وهدف مجموعة البيانات في حالة وجود مهام أكثر تحديدًا مثل ML الخاضع للإشراف والعديد من مشاكل DL.على سبيل المثال، عند استخدام خوارزمية الذكاء الاصطناعي للانحدار الخطي، فإن المهمة T هي العثور على دالة f:Rn⟶Rm، النموذج y=f(x) يعين متجه الإدخال (الميزة) x إلى المتجه الهدف y.أخيرًا، قد تمتلك نماذج أو خوارزميات الذكاء الاصطناعي معلمات فائقة، وهي كيانات قابلة للضبط لخوارزمية الذكاء الاصطناعي [مثل قوة التنظيم (راجع القسم 2.1.3) أو عمق الشبكة العصبية (راجع القسم 2.3)] ويجب أن تكون تم التحقيق فيها خلال مرحلة التعلم أو التدريب باستخدام خوارزمية التعلم لتدريب وتقييم أفضل نموذج (Raschka 2018).
لكي تكون قادرًا على معالجة البيانات بطريقة ذات معنى، يجب أولاً جمعها، وإذا لزم الأمر، تحسينها أو معالجتها مسبقًا (Frochte 2019; Bishop 2006; Goodfellow et al. 2016; Mitchell 1997; Brownlee 2016; O'Leary 2013) .وفقًا لـ (Frochte 2019; García et al. 2016) يمكن استخدام خمس كميات لوصف مجموعة البيانات:
في حين أن الجوانب الثلاثة الأولى "الحجم والسرعة والتنوع" تشير إلى توليد البيانات وعملية التقاطها وتخزينها، فإن جوانب "الصدق" و"القيمة" تشير إلى جودة البيانات وفائدتها للمهمة T قيد النظر، وبالتالي فهي أمر بالغ الأهمية لاستخلاص المعرفة المفيدة والقيمة من البيانات.إذا تم إعطاء جميع المفاهيم الخمسة للقائمة المقترحة إلى حد معين، فسيتم استيفاء تعريف "البيانات الضخمة"، وهو أمر ذو أهمية جزئية لهذا المنشور كما سيتم شرحه في القسم.3. من وجهة نظر فنية، يشير مصطلح "البيانات الضخمة" (والتي قد يرتبط بها القارئ تلقائيًا بالذكاء الاصطناعي) إلى كميات كبيرة ومعقدة من البيانات التي تتطلب "أساليب ذكية" لمعالجتها.عند هذه النقطة يتم تقديم مزيد من التفاصيل حول مجموعة متنوعة من البيانات.البيانات المنظمة هي معلومات لها نموذج بيانات محدد مسبقًا (Frochte 2019; O'Leary 2013; Rusu et al. 2013)، أي أن موقع كل جزء من البيانات بالإضافة إلى المحتوى معروف تمامًا.
بينما بالنسبة للبيانات المنظمة، يكون تعريف الميزة في الغالب مباشرًا بسبب البنية (Turner et al. 1999; Brownlee 2016)، ويعد إنشاء الميزات (أي تحديد الميزات) للبيانات غير المنظمة أمرًا ضروريًا وتعرف العملية أيضًا باسم هندسة الميزات (Ozdemir وسوزارلا 2018).في حد ذاته، يمكن عادةً معالجة حجم البيانات بأحدث خوارزميات الذكاء الاصطناعي، في حين أن عددًا كبيرًا من الميزات قد يصبح مشكلة (حيث يشار إليها غالبًا باسم لعنة الأبعاد (Frochte 2019; Bishop 2006) وأحد المشاكل تتمثل المهام الرئيسية هنا في توضيح التمييز في السمات ذات الصلة وغير ذات الصلة (Goodfellow et al. 2016; Frochte 2019; Bishop 2006; Kuhn and Johnson 2013). ومن أجل معالجة هذه المشكلة، يمكن تنفيذ تقليل الأبعاد بالإضافة إلى تقنيات اختيار الميزات من أجل تقليل و/أو تحديد الميزات وفقًا لأهميتها لوصف المهمة، سيتم تقديم المزيد من التفاصيل حول ذلك في قسم تعلم الآلة في هذه الورقة أو يمكن العثور عليها في (Kuhn and Johnson 2013; Brownlee 2016; Bishop 2006).
في هذه المرحلة، يتم تقديم بعض الملاحظات النهائية حول أنواع البيانات التي تمت مواجهتها في مجال هندسة الزجاج الإنشائي.في هذا المجال المحدد، يمكن توقع أن تكون المعلومات عمومًا في كلا الاتجاهين (بيانات منظمة وشبه منظمة وغير منظمة)، اعتمادًا على المشكلة المحددة المتعلقة بالزجاج قيد النظر.في الطائفة.في الشكل 3، تم توضيح أن البيانات غير المنظمة في شكل بيانات فوتوغرافية تُستخدم لفحص الجودة ومراقبة الإنتاج، في حين تُستخدم البيانات المنظمة في شكل بيانات محاكاة من التحقيقات أو التجارب الميكانيكية الرقمية لاستنتاج الأنماط أو معلمات النموذج بواسطة خوارزمية الذكاء الاصطناعي .من المعروف من الأدبيات أن الجمع بين مجموعة البيانات المعطاة وبنيتها مع خوارزميات الذكاء الاصطناعي المختارة بشكل مناسب يوفر نتائج ذات معنى (Goodfellow et al. 2016; Frochte 2019; Bishop 2006).
يعد استخراج بيانات المحاكاة ذا أهمية خاصة للتحقيقات العددية في هندسة الزجاج الإنشائي (Brady and Yellig 2005; Burrows et al. 2011; Frochte 2019).من ناحية، غالبًا ما تكون محاكاة البيانات في مجال هندسة الزجاج الإنشائي باهظة الثمن، حيث سرعان ما تتطور عمليات المحاكاة من الناحية النظرية والعددية (وبالتالي فإن مجموعة البيانات بأكملها لا تستوعب سوى عدد قليل من الملاحظات).ومن ناحية أخرى (على سبيل المثال، في حالة محاكاة العناصر المحدودة) فإن عدد الميزات والأهداف لكل مثال محاكاة قد يكون كبيرًا من حيث العدد.وهذا يفرض متطلبات الأجهزة إلى جانب الحاجة إلى اختيار ميزة أو استراتيجية هندسية.من ناحية أخرى، تتكون البيانات التجريبية عادةً من عدد محدود (صغير) من الملاحظات مع كمية صغيرة من الميزات لأسباب مالية وتصميم التجارب المعنية (Kraus 2019).
المهمة T هي وصف لكيفية معالجة الذكاء الاصطناعي لنقاط البيانات.مثال على المهمة T هو تصنيف صور عينات الاختبار إلى "سليمة" و"فاشلة".يقوم مقياس الأداء P بتقييم قدرات خوارزمية الذكاء الاصطناعي وغالبًا ما يرتبط P بتفاصيل مهمة الذكاء الاصطناعي T. لمواصلة مثال التصنيف السابق، مقياس الأداء المحتمل P هو دقة نموذج التصنيف، حيث الدقة هي نسبة الأمثلة التي ينتج عنها النموذج المخرجات الصحيحة (Goodfellow et al. 2016; Brownlee 2011; Mitchell 1997).إن اختيار مقياس الأداء المناسب ليس أمرًا مباشرًا وموضوعيًا ولكنه يعتمد على المشكلة المطروحة، وبالتالي فهو جزء قوي من جزء بناء النموذج.بما أن هذه الورقة معنية بأمثلة ML وDL فقط، فإن المهمة T تتضمن نموذجًا رياضيًا M.
عند التعبير عن مقياس الأداء P بمصطلحات رياضية مع فكرة التعلم، ستقوم خوارزمية الذكاء الاصطناعي بتحديث نموذج رياضي بحيث يتم اكتساب أداء أفضل P لتجربة معينة E.يتم قياس هذا الكسب عبر P من خلال التحسين (العددي)، وبالتالي فإن التسميات البديلة في سياقات ML أو DL قد تسمي P "دالة الهدف أو الخسارة أو التكلفة" C. تتبنى هذه الورقة تدوين (Goodfellow et al. 2016)، حيث من وجهة نظر رياضية، "الوظيفة التي نريد تقليلها أو تعظيمها تسمى الوظيفة الموضوعية، أو المعيار".خاصة إذا كان النموذج الرياضي M لخوارزمية الذكاء الاصطناعي يمتلك معلمات θ ويتعلم من التدريب على مجموعة البيانات (أو باختصار: البيانات) D، تتم صياغته على أنه تقليل دالة التكلفة C:
تم التأكيد بوضوح على أن تعريف وظيفة الخسارة هو جزء من عملية بناء النموذج داخل خوارزمية الذكاء الاصطناعي وسيؤثر على نتائج التدريب إلى حد كبير (Goodfellow et al. 2016; Bishop 2006; Frochte 2019).بالإضافة إلى ذلك، بالنسبة لنفس مهمة T، قد تكون خيارات وظائف الخسارة المتعددة مفيدة لمراقبة أداء النموذج، ولكن ليس هناك ما يضمن أنها ستؤدي إلى نفس مجموعة معلمات النموذج الأمثل.
بعد إمكانية تنقية البيانات وتصورها، يتم تقييم نماذج الذكاء الاصطناعي المختلفة.الهدف الرئيسي هو الحصول على نموذج قوي للذكاء الاصطناعي يتمتع بقدرة جيدة على تعميم المعرفة المستخرجة بشكل جيد على البيانات، والتي لم يتم استخدامها أثناء تدريب النموذج بواسطة خوارزمية التعلم (Mitchell 1997; Goodfellow et al. 2016; Bishop 2006).
وهذا يعني أنه في نهاية عملية التدريب، يجب أن يتنبأ النموذج النهائي ببيانات التدريب بشكل صحيح، وفي الوقت نفسه يجب أن يكون قادرًا أيضًا على تعميم البيانات غير المرئية مسبقًا بشكل جيد.يمكن أن يتميز التعميم الضعيف بالإفراط في التدريب أو الإفراط في التجهيز (راجع القسم 2.1.5)، والذي يصف الحالة التي يحفظ فيها النموذج أمثلة التدريب فقط ولا يكون قادرًا على إعطاء النتائج الصحيحة أيضًا للأنماط التي لم تكن موجودة في مجموعة بيانات التدريب ( ميتشل 1997؛ جودفيلو وآخرون 2016؛ بيشوب 2006؛ فروشت 2019).هذين المطلبين الحاسمين (التنبؤ الجيد ببيانات التدريب بالإضافة إلى قدرات التعميم الجيدة) متعارضان ويعرفان أيضًا باسم معضلة التحيز والتباين (Bishop 2006; Frochte 2019).من أجل الحكم على مدى جودة أداء نموذج ML أو DL على البيانات، توجد عدة أنواع من طرق التقييم (أي التحقق من الصحة) (Raschka 2018):
إن أبسط طريقة للتحقق من الصحة هي التحقق من الصحة، حيث يتم تقسيم مجموعة البيانات إلى بيانات تدريب واختبار على قيمة نسبة مئوية ثابتة (Goodfellow et al. 2016; Frochte 2019).يعد استخدام طريقة الرفض أمرًا مقبولًا تمامًا لتقييم النموذج عند العمل بأحجام عينات كبيرة نسبيًا (Raschka 2018).
لمعالجة مشكلة ما يسمى الإفراط في التجهيز أو القصور (أي ضعف قدرة التعميم لنموذج الذكاء الاصطناعي، راجع القسم 2.1.5) يمكن تطبيق التحقق المتبادل (CV) لضبط المعلمة الفائقة واختيار النموذج.السيرة الذاتية هي تقنية التحقق من الصحة لتقييم كيفية تعميم نتائج التحليل الإحصائي على مجموعة بيانات مستقلة (Raschka 2018).على سبيل المثال، يحتوي التحقق المتقاطع k-fold على معلمة واحدة k، والتي تشير إلى عدد المجموعات التي يتم تقسيم عينة بيانات معينة إليها.على هذا النحو، يُشار إلى الإجراء غالبًا باسم التحقق المتقاطع بـ k-fold، حيث يتم استبدال k بالاختيار المحدد لتشكيل الاسم الملموس (على سبيل المثال، k=10 يصبح التحقق المتقاطع بـ 10 أضعاف كما هو موضح في الشكل 3). .
ومع ذلك، إذا كانت مجموعة بيانات صغيرة ذات عدد ميزات أقل من 100 مملوكة، فقد ثبت أن LOOCV يوفر نتائج جيدة لدقة وقوة نماذج الذكاء الاصطناعي.يحذف هذا النهج نقطة بيانات واحدة من بيانات التدريب، أي إذا كانت هناك نقاط بيانات n في العينة الأصلية، فسيتم استخدام عينات n−1n−1 لتدريب النموذج ويتم استخدام نقاط p كمجموعة التحقق من الصحة.ويتكرر ذلك لجميع التركيبات حيث يمكن فصل العينة الأصلية بهذه الطريقة، ومن ثم يتم حساب متوسط الخطأ لجميع التجارب للحصول على الفعالية الإجمالية.عدد المجموعات المحتملة يساوي عدد نقاط البيانات في العينة الأصلية أو n، وبالتالي قد يكون مكلفًا من الناحية الحسابية في حالة مجموعة البيانات الكبيرة.
أخيرًا، إذا كان القراء مهتمين بالوصف التفصيلي للتقنيات المختلفة لتقسيم البيانات وضبط المعلمات الفائقة واختيار النموذج والنشر النهائي لنماذج التعلم الآلي، (Raschka 2018; Bishop 2006; Reitermanova 2010; Frochte 2019; Goodfellow et al. 2016) يقدمون قراءة مفصلة وشاملة لهذا الموضوع الأساسي.
من المرجح أن يؤدي اختيار نموذج أبسط إلى التعميم بشكل جيد (وجود فجوة صغيرة بين التدريب وخطأ الاختبار) بينما لا يزال في الوقت نفسه يختار فرضية معقدة بما فيه الكفاية لتحقيق خطأ تدريب منخفض.عادةً ما يتصرف خطأ التدريب والاختبار بشكل مختلف أثناء تدريب نموذج الذكاء الاصطناعي بواسطة خوارزمية التعلم (Frochte 2019; Bishop 2006; Goodfellow et al. 2016).بإلقاء نظرة فاحصة على الشكل 4، يكشف الطرف الأيسر من الرسم البياني أن خطأ التدريب وخطأ التعميم مرتفعان.وبالتالي، فإن هذا يمثل النظام غير الملائم.تؤدي زيادة سعة النموذج إلى تقليل خطأ التدريب بينما تزداد الفجوة بين خطأ التدريب وخطأ التحقق.زيادة السعة فوق المستوى الأمثل ستؤدي في النهاية إلى أن يفوق حجم هذه الفجوة الانخفاض في خطأ التدريب، الذي يمثل نظام التجهيز الزائد.
تعالج زيادة سعة النموذج النقص في التجهيز بينما يمكن التعامل مع التجهيز الزائد باستخدام تقنيات التنظيم (Frochte 2019; Bishop 2006; Goodfellow et al. 2016; Kuhn and Johnson 2013).يمكن توجيه قدرة النموذج عن طريق اختيار مساحة الفرضية، وهي مجموعة الوظائف التي يُسمح لخوارزمية التعلم بتحديدها باعتبارها الحل (Goodfellow et al. 2016).هنا، يُطلق على تغيير معلمات تلك العائلة الوظيفية اسم القدرة التمثيلية بينما تأخذ القدرة الفعالة في الاعتبار أيضًا القيود الإضافية مثل مشكلات التحسين وما إلى ذلك (Goodfellow et al. 2016).
تعد نماذج الذكاء الاصطناعي التدريبية ذات البيانات القليلة هي محور الاستدلال المعرفي في العلوم الطبيعية والهندسية، على عكس الهيكل النموذجي للذكاء الاصطناعي في الاقتصاد أو علوم الكمبيوتر، حيث تتوفر كميات كبيرة جدًا من البيانات للمشكلة قيد النظر.قد تنجم أسباب تناثر البيانات التجريبية أو الحسابية من ناحية عن كونها باهظة الثمن أو أن جمع كمية كبيرة من تلك البيانات أمر محظور بسبب ضيق الوقت أو القيود المالية.من ناحية أخرى، فإن التقديم الرسمي واستخدام المعرفة النظرية الموجودة مسبقًا والموجودة بالفعل (سواء من العلوم أو من الخبراء)، على سبيل المثال في شكل دالة الخسارة (Raissi 2018)، يؤدي إلى أوقات تعريف أقصر من خلال البداية السابقة ذات المغزى. نقاط للتحسين داخل خوارزميات الذكاء الاصطناعي أو تحديد الشروط الحدودية للمعلمات المراد اشتقاقها.يمكن العثور على مزيد من المعلومات في (Reichstein et al. 2019; Karpatne et al. 2017; Wagner and Rondinelli 2016; Raissi 2018; Kraus 2019).
التعلم الآلي هو فرع فرعي من الذكاء الاصطناعي، والذي يهتم بالخوارزميات لأتمتة حل مشاكل التعلم المعقدة التي يصعب برمجتها بشكل صريح باستخدام الطرق التقليدية.تقوم خوارزميات التعلم الآلي ببناء نموذج رياضي MM للاستدلال بين الكميات محل الاهتمام (الميزات والأهداف) بناءً على البيانات لإجراء تنبؤات أو قرارات دون أن تتم برمجتها بشكل صريح للقيام بذلك (Frochte 2019; Rebala et al. 2019; Chowdhary 2020; Murphy 2012).يقدم هذا القسم مقدمة موجزة للمبادئ والتسميات الأكثر عمومية، كما يتم تقديم مقدمة أكثر شمولاً وتوضيحًا حول هذا الموضوع في (Bishop 2006; Goodfellow et al. 2016; Mitchell 1997; Rebala et al. 2019; Murphy 2012).
ومع ذلك، فإن الفرضية الأساسية هي أن المعرفة المكتسبة من البيانات يمكن تعميمها واستخدامها في حلول المشكلات الجديدة، أو لتحليل البيانات غير المعروفة سابقًا أو للتنبؤات على البيانات التي لم يتم قياسها (التنبؤ).كما هو موضح في القسم السابق حول الذكاء الاصطناعي، فإن تعلم الآلة لديه أيضًا روابط قوية مع التحسين حيث يتم صياغة مشاكل التعلم عادةً على أنها تقليل بعض وظائف الخسارة في مجموعة تدريبية من الأمثلة (Frochte 2019; Bishop 2006; Goodfellow et al. 2016; Murphy 2012) .علاوة على ذلك، ترتبط ML (وكذلك DL) ارتباطًا وثيقًا بالإحصاءات من حيث الأساليب ولكنها تختلف في هدفها المتمثل في استخلاص الاستدلالات السكانية من عينة (الإحصائيات) مقابل إيجاد أنماط تنبؤية للتعميم (Bzdok et al. 2018).
يمكن التمييز بين نوعين مختلفين من الخوارزميات الرئيسية لتعلم الآلة: التعلم الخاضع للإشراف وغير الخاضع للإشراف (Mitchell 1997; Bishop 2006; Goodfellow et al. 2016; Frochte 2019)، والتي تم تقديمها هنا بإيجاز وتم توضيحها بيانيًا في الشكل 5 (يتم التعامل مع التعلم العميق في تم حذف القسم الفرعي التالي من هذه الورقة والتعلم المعزز في هذه الورقة على الإطلاق).
مع ملاحظات N، حيث xn هو متغير الميزة/التأثير وtn متغير الهدف/الاستجابة.يمكن أن يكون كلا المتغيرين مستمرين أو منفصلين (فئويين).بينما في التعلم الخاضع للإشراف، سيتم تطوير نموذج تنبؤي M يعتمد على متغيرات التأثير والاستجابة، في التعلم غير الخاضع للإشراف، يتم تعلم النموذج فقط على أساس الميزات (التجميع، تقليل الأبعاد).بالنسبة للتعلم الخاضع للإشراف، يتم التمييز بين مشاكل التصنيف والانحدار.بينما في الحالة الأولى، يمكن لمتغيرات الاستجابة tn أن تأخذ قيمًا منفصلة فقط، فإن متغيرات الاستجابة tn تكون مستمرة لمشاكل الانحدار.
الهدف من الانحدار هو التنبؤ بقيمة واحد أو أكثر من المتغيرات المستهدفة المستمرة t بالنظر إلى قيمة المتجه x لمتغيرات الإدخال، في حين أن الهدف في التصنيف هو أخذ متجه الإدخال x وتعيينه إلى إحدى فئات K المنفصلة Ck حيث k = 1،…،K (Bishop 2006).تم حذف وصف أكثر تفصيلاً لنماذج ML الخاضعة للإشراف مثل الانحدار الخطي وغير الخطي أو انحدار النموذج الخطي المعمم إلى جانب التصنيف في هذه الورقة مع الإشارة إلى الكتب المدرسية لتعلم الآلة المذكورة بالفعل.باستخدام نماذج الانحدار أو التصنيف، من الممكن أيضًا اكتشاف التبعيات غير الخطية والأكثر تعقيدًا بين المدخلات والمخرجات.لمزيد من المعلومات يشار إليه (Kraus 2019; Bishop 2006; Goodfellow et al. 2016; Mitchell 1997; Lee et al. 2018; Murphy 2012).
في الشكل 5 على الجانب الأيمن، يتم عرض الفئات الرئيسية لخوارزميات التعلم غير الخاضعة للرقابة.تستخدم هذه الخوارزميات بيانات الإدخال فقط لاكتشاف البنية والأنماط ومجموعات الأمثلة المتشابهة داخل البيانات (التجميع)، أو لتحديد توزيع البيانات داخل مساحة الإدخال (تقدير الكثافة)، أو لعرض البيانات من مساحة عالية الأبعاد وصولاً إلى الأبعاد الأدنى (Goulet 2020; Kraus 2019; Bishop 2006; Goodfellow et al. 2016; Mitchell 1997; Lee et al. 2018).تستخدم الخوارزميات العنقودية مقاييس التشابه أو المسافة بين الأمثلة في مساحة الميزة كوظائف خسارة لاكتشاف مناطق كثيفة من الملاحظات (Hastie et al. 2009).
على عكس التعلم الخاضع للإشراف، تستخدم خوارزميات التجميع فقط استراتيجية فرق تسد لتفسير البيانات المدخلة والعثور على مجموعات طبيعية أو مجموعات في مساحة الميزة، حيث تكون المجموعة الواحدة منطقة ذات كثافة في مساحة الميزة حيث تكون البيانات أقرب إلى المجموعة مقارنة بالمجموعات الأخرى (Witten et al. 2016; Bishop 2006; Goulet 2020).خوارزميات التجميع النموذجية هي "k-means" (Lloyd 1982; Goulet 2020; Bishop 2006) و"خليط Gaussians" (Goulet 2020; Bishop 2006).على غرار طرق التجميع، يهدف تقليل الأبعاد إلى استغلال البنية الكامنة (Bishop 2006; Goodfellow et al. 2016; Lee et al. 2018)) في البيانات بطريقة غير خاضعة للرقابة لتقليل عدد الميزات إلى مجموعة من المتغيرات الرئيسية ، حيث يمكن تقسيم الأساليب إلى اختيار الميزات واستخراج الميزات (Roweis and Saul 2000; Bishop 2006).تؤدي أبعاد الإدخال الأقل (أي عدد الميزات) إلى عدد أقل من المعلمات أو بنية أبسط في نموذج تعلم الآلة، والتي يشار إليها بدرجات الحرية (Murphy 2012).
من المرجح أن يؤدي النموذج الذي يتمتع بدرجات كبيرة جدًا من الحرية إلى تجاوز مجموعة بيانات التدريب وبالتالي قد لا يؤدي أداءً جيدًا مع البيانات الجديدة (Murphy 2012; Bishop 2006; Goulet 2020).تم تخطي المزيد من التفاصيل حول الخوارزميات النموذجية مثل "تحليل المكونات الرئيسية (PCA)" أو "التعلم المتشعب" أو "أجهزة التشفير التلقائي" ضمن هذه المقالة مع الإشارة إلى القارئ إلى (Murphy 2012; Bishop 2006; Goulet 2020; Witten et al. 2016; فروشت 2019).
على سبيل المثال، تتمثل مهمة اختيار الميزة في استخراج خصائص إشارة معينة من بيانات المستشعر الأولية، على سبيل المثال، لإنشاء معلومات ذات مستوى أعلى.تقنيات استخراج الميزات في هذا السياق هي اكتشاف القمم، واستخراج محتويات التردد عن طريق تحويل فورييه، وتحديد اتجاهات الإشارة عن طريق إحصائيات المجموع (المتوسط والانحراف المعياري في أوقات تجريبية مختلفة)، وما إلى ذلك. ويمكن الحصول على مزيد من التفاصيل حول الخطوات الفردية وجدت في (Bishop 2006; Goodfellow et al. 2016; Chang and Bai 2018; Kraus 2019; Tandia et al. 2019; MAT 2016c, a,b).
التعلم العميق هو مجال فرعي من تعلم الآلة (Goodfellow et al. 2016)، والذي يستخدم ما يسمى بالشبكات العصبية الاصطناعية كنماذج للتعرف على الأنماط والعلاقات غير الخطية للغاية في البيانات.تعتمد الشبكة العصبية الاصطناعية (NN) على مجموعة من العقد المتصلة (الخلايا العصبية)، والتي تشبه الدماغ البشري (راجع الشكل 7).اليوم العديد من بنيات الشبكات العصبية معروفة (Van Veen 2016)، ولكن في سياق هذه الورقة فقط الفئات الفرعية المحددة من الشبكات العصبية المغذية (FNN) والشبكات العصبية التلافيفية (CNN) هي التي تحظى بالاهتمام، راجع.الشكل 7. يمكن العثور على تفاصيل حول تفاصيل الأنواع الأخرى المختلفة من NN على سبيل المثال في (LeCun et al. 2015; Goodfellow et al. 2016).
نظرًا لقدرتها على إعادة إنتاج ونمذجة العمليات غير الخطية، فقد وجدت الشبكات العصبية الاصطناعية تطبيقات في العديد من المجالات.ويشمل ذلك نمذجة المواد وتطويرها (Bhowmik et al. 2019; Goh et al. 2017; Mauro 2018; Mauro et al. 2016; Elton et al. 2019)، وتحديد النظام والتحكم فيه (De la Rosa and Yu 2016; Rudy et al. 2019; Baumeister et al. 2018; Mosavi 2019), التعرف على أنماط أنظمة الرادار (Chen and Wang 2014), التعرف على الوجوه (Hu et al. 2015; Sun et al. 2018; Li and Deng 2020), تصنيف الإشارات (كومار). وآخرون 2016؛ فواز وآخرون 2019)، إعادة البناء ثلاثي الأبعاد (ريجلر وآخرون 2017)، التعرف على الأشياء (راني وآخرون 2020؛ تشاو وآخرون 2019)، التعرف على التسلسل للإيماءات (البوشاكي وآخرون 2020؛ جاو) وآخرون 2020)، والكلام (Yu and Deng 2016; Nassif et al. 2019)، والكتابة اليدوية والنص (Zheng et al. 2015; Jaramillo et al. 2018)، والتشخيص الطبي (Bejnordi et al. 2017; Ker et al. 2017؛ جرينسبان وآخرون 2016؛ ليو وآخرون 2019) وتصفية البريد الإلكتروني العشوائي (Guzella and Caminhas 2009).
يتم إنشاء FNN من خلال ربط طبقات تتكون من عدة خلايا عصبية، ويظهر رسم تخطيطي في الشكل 7. الطبقة الأولى (0) من FNN هي طبقة الإدخال ذات البعد RN، والطبقة الأخيرة (Lth) هي طبقة الإخراج، والطبقات الموجودة بينهما تسمى الطبقات المخفية (lth).الخلية العصبية هي عامل يقوم بتعيين RK⟶R (مع اتصالات K للخلايا العصبية من الطبقة السابقة l−1) ويتم وصفها بالمعادلة:
حيث σ(⋅) هي دالة مستمرة رتيبة ويشار إليها عادة بوظيفة التنشيط.يتم حساب التنشيط كمجموعة خطية من الخلايا العصبية في الطبقة السابقة l−1 بالنظر إلى الأوزان المقابلة wlkj والتحيزات blk للطبقة l، cf.مكافئ.(2) والشكل 7. يعتمد اختيار توصيل طبقة الخلايا العصبية على المستخدم، إذا كانت كل خلية عصبية متصلة بكل خلية عصبية في الطبقتين المتجاورتين، فإن FNN تسمى كثيفة أو متصلة بكثافة.باختصار، تمثل FNN عائلة محددة من الخرائط ذات المعلمات (الموضحة بواسطة ∘ لعملية التركيب)، والتي تكون شاملة إذا كانت طبقة الإخراج تمتلك وظيفة تنشيط خطية ويمكن التعبير عنها على النحو التالي:
(تدوين الموتر) يمثل تحويل البيانات في طبقة واحدة l.الخلية العصبية هي وظيفة غير خطية ذات معلمات لمتغيرات الإدخال (الخلايا العصبية المدخلة؛ باللون الأخضر في الشكل 7).ومن ثم فإن NN عبارة عن تركيبة رياضية للوظائف غير الخطية لخليتين عصبيتين أو أكثر عبر وظيفة التنشيط.وبالتالي فإن هذه الطبيعة غير الخطية الخاصة للشبكات العصبية قادرة على تحديد ونمذجة السلوكيات غير الخطية، والتي قد لا يتم التقاطها على الإطلاق أو لا يتم التقاطها بشكل صحيح بواسطة طرق تعلم الآلة الأخرى مثل تقنيات الانحدار أو PCA وما إلى ذلك. على الرغم من الإلهام البيولوجي للمصطلح العصبي شبكة NN في ML عبارة عن بناء رياضي خالص يتكون إما من شبكات التغذية الأمامية أو شبكات التغذية المرتدة (المتكررة).
إذا كان هناك أكثر من ثلاث طبقات مخفية، فإن هذا NN يسمى NN العميق.يعتمد تطوير البنية الصحيحة لـ NN أو Deep NN على المشكلة ولا يوجد سوى عدد قليل من القواعد الأساسية لهذا الإعداد (Bishop 2006; Frochte 2019; Kim 2017; Paluszek and Thomas 2016).تمثل الشبكات التلافيفية (العصبية) (LeCun et al. 1995; Goodfellow et al. 2016) (CNN) نوعًا متخصصًا من NN لمعالجة البيانات باستخدام طوبولوجيا تشبه الشبكة.تتضمن الأمثلة بيانات السلاسل الزمنية (شبكة أحادية الأبعاد تأخذ عينات على فترات زمنية منتظمة) وبيانات الصورة (شبكة ثنائية الأبعاد من وحدات البكسل).
على النقيض من FNN، تستخدم CNN العملية الرياضية التي تسمى الإلتواء، وهو نوع خاص من ضرب المصفوفات العامة في واحدة على الأقل من طبقاتها.بالإضافة إلى الالتفاف، يتم تطبيق عملية التجميع على البيانات بين الطبقات.لن تتناول هذه الورقة مزيدًا من التفاصيل حول عمليات الالتواء والعديد من استراتيجيات التجميع جنبًا إلى جنب مع أساليب التدريب لأنواع مختلفة من NN، وبدلاً من ذلك تتم الإشارة إلى القارئ (Bishop 2006; Frochte 2019; Goodfellow et al. 2016).
ومن بين الشبكات العصبية المعروفة أيضًا الشبكات العصبية المتكررة (RNNs) لمعالجة البيانات المتسلسلة (Graves 2012; Goodfellow et al. 2016)، ووحدة التشفير التلقائي لتقليل الأبعاد أو تعلم الميزات (Skansi 2018; Goodfellow et al. 2016) وغيرها الكثير، وهي ليس موضوع هذه الورقة.التعلم عن بعد هو استراتيجية تعلم تحت الإشراف وقد يحتاج إلى قدر كبير من البيانات للتدريب الهادف، اعتمادًا على تفاصيل المشكلة المطروحة (Bishop 2006; Frochte 2019; Goodfellow et al. 2016).
ومن ثم قد يحظر هذا الموقف استخدام التعلم عن بعد لبعض التطبيقات في البحث والممارسة.باختصار، سعة النموذج في حالة NN أكبر مقارنة بنماذج ML، بمعنى أن NN كمساحة وظيفية تسمح بتنوع أكبر من مساحات الوظائف النموذجية المستخدمة في نماذج ML.وهكذا كل النقاط المثارة في الطوائف.2.1.3 إلى 2.1.5 تتطلب اعتبارات خاصة في إعداد DL وضبط المعلمة الفائقة إلى جانب مشكلات التحقق من الصحة ضرورية لتعميم نماذج NN للتطبيق الناجح في السياق الهندسي.
حتى الآن، تم تقديم مقدمة عن الأساسيات والخلفية حول الذكاء الاصطناعي والتعلم الآلي والتعلم عن بعد، كما تم تقديم بعض المفاهيم لبناء النماذج والتدريب والتحقق من صحتها.الذكاء الاصطناعي هو تقنية سريعة النمو دخلت الآن كل صناعة تقريبًا في جميع أنحاء العالم، ومن المتوقع أن تُحدث ثورة ليس فقط في الصناعة، ولكن أيضًا في التخصصات الاجتماعية والقانونية والطبية الأخرى.وعلى وجه التحديد، تمتلك صناعة البناء أدنى معدل للرقمنة (Chui et al. 2018; Schober 2020).هنا يتم تقديم التقنيات الجديدة بتردد بسبب العمر الطويل لهياكل البناء وما يرتبط بها من تحفظات أو مخاوف بشأن مخاطر وموثوقية الأساليب والمنتجات الجديدة بسبب نقص الخبرة.ومع ذلك، وبالنظر إلى أن حوالي 7% من جميع الموظفين في جميع أنحاء العالم يعملون في قطاع البناء، فإن هناك إمكانات سوقية كبيرة في تطوير ونقل أساليب جديدة من الذكاء الاصطناعي إلى هذا القطاع (Schober 2020).
مع التركيز الآن على بناء الزجاج الهيكلي والواجهات في صناعة البناء بأكملها، يعد هذا الفرع، على عكس الفروع الأكثر رسوخًا مثل البناء الخرساني أو الفولاذي أو تصميم الجسور، تقدميًا نسبيًا ومبتكرًا ومفتوحًا للتكنولوجيا.ويمكن إثبات ذلك من خلال العديد من المشاريع في مجال إنشاءات الواجهات، مثل استخدام عناصر الواجهة المتكيفة في غلاف المبنى (Shahin 2019; Romano et al. 2018)، والزجاج القابل للتحويل كحماية من الشمس (Marchwiński 2014; Vergauwen et al. (2013)، النمذجة العددية لعناصر الواجهة المعقدة المرتبطة بشكل لاصق (Drass and Kraus 2020a)، أو النظر في سلوك المواد المعتمد على الوقت ودرجة الحرارة للطبقات البينية البوليمرية في الزجاج المصفح في الحالة السليمة وما بعد الفشل (Kraus 2019)، أو التصميم البارامتري مغلفات المباني (Wang and Li 2010; Zhang et al. 2019; Granadeiro et al. 2013; Vergauwen et al. 2013).
لم يتم تطبيق الذكاء الاصطناعي حتى الآن في الهندسة (Quantrille and Liu 2012; Patil 2016; Bunker 2018)، والاقتصاد (Varian 2018)، والطب (Szolovits 2019) وقطاعات أخرى للنمذجة والتحديد والتحسين والتنبؤ والتحكم في الأنظمة المعقدة و/أو مكوناتها (De la Rosa and Yu 2016; Rudy et al. 2019; Baumeister et al. 2018; Mosavi 2019).تجمع بعض مقالات المراجعة أحدث ما توصل إليه الذكاء الاصطناعي في الهندسة المدنية كنظام كامل (Huang et al. 2019; Patil et al. 2017; Lu et al. 2012; Adeli 2001) بينما يتعامل عدد كبير من المنشورات مع مشاكل محددة من مجال الهندسة المدنية (والتي تم الاستشهاد بها جزئيًا حتى الآن في هذه الورقة)، والتي لم يتم ذكرها بوضوح هنا بالترتيب لأسباب الإيجاز.ومع ذلك، خاصة بالنسبة لسياق هندسة الزجاج الإنشائي، لم يتم نشر ورقة مراجعة بعد، وهذا جزئيًا هو الهدف من هذه المساهمة.يقدم الجدول 1 نظرة عامة على الأمثلة الحالية حول تطبيق الذكاء الاصطناعي في هندسة الزجاج الإنشائي كما تمت مناقشته وعرضه أولاً في هذه الورقة.
اكتسب موضوع غلاف المبنى أو الواجهة أهمية كبيرة في السنوات الأخيرة بسبب النقاش حول الاستدامة وتوفير الطاقة (Aznar et al. 2018)، حيث تم مؤخرًا الاهتمام بصحة المستخدم ورفاهيته وإنتاجيته وتفاعله مع البيئة. تمت إضافة المبنى/الواجهة (Luna-Navarro et al. 2020).يحدد غلاف المبنى من ناحية تصميم وتصور المبنى لكل من المستخدمين والجمهور، بينما من ناحية أخرى، يعد غلاف المبنى نظامًا فرعيًا هيكليًا مهمًا لراحة شاغلي المبنى وتفاعل المستخدم مع بيئة المبنى. مبنى.كان تفاعل المستخدم مع المظروف حتى الآن إما مدفوعًا بشكل أساسي بالتحكم الشخصي اليدوي والمحلي (على سبيل المثال من خلال فتح نافذة أو سحب ستارة) أو شبه آلي من خلال تسلسلات محددة مسبقًا تم تشغيلها تؤدي إلى إجراءات (على سبيل المثال، الزجاج الذكي القابل للتحويل، والتظليل الديناميكي ) (داي وأوبراين 2017).
وأدى ذلك إلى عدم رضا الشاغلين في كثير من الأحيان حتى في السيناريو عن استراتيجيات التحكم والتفاعلات ذات الصلة مع الأنظمة الآلية (Luna-Navarro and Overend 2018; Fabi et al. 2017; Borgstein et al. 2018; Day and O'Brien 2017; بلويسن وآخرون 2013؛ ميربيك وآخرون 2014).تعد أتمتة المبنى بالاشتراك مع الذكاء الاصطناعي حلاً واعدًا للمباني منخفضة الطاقة من خلال نهج يعتمد على البيانات ومطلع على الشاغل ويتكون من أنظمة تشغيل وأجهزة استشعار في كل مكان يتم توجيهها من خلال تعلم خوارزميات الذكاء الاصطناعي.تهتم المفاهيم حتى الآن بالتصميم المناسب (الهيكلي، وقابلية الخدمة، والاستدامة، ورفاهية المستخدم) وتكييف الواجهات ولكنها تجاهلت جوانب مراقبة الصحة بالإضافة إلى متطلبات التصميم الهيكلي للهياكل التكيفية على مدى عمر الغلاف (راجع 1). الشكل 2 في (Aelenei et al. 2016) حول مفاهيم توصيف الواجهات التكيفية، حيث يُفترض أن الجوانب الهيكلية مكتملة)، والتي تم تقديمها ومناقشتها في هذا القسم.
تفرض مبادئ التصميم الأساسية لهياكل الهندسة المدنية معايير صارمة للغاية للسلامة وقابلية الخدمة والتي تفترض حالات تحميل ومقاومة شديدة، والتي تحدث باحتمالات منخفضة للغاية، وبالتالي فإن هذه الهياكل تم تصميمها بشكل مبالغ فيه لمعظم فترات خدمتها (Akadiri et al. 2012; Senatore). وآخرون 2018).من ناحية أخرى، تعمل فلسفة التكيف الهيكلي على تقليل استهلاك المواد والطاقة في تشييد المباني من خلال نموذج للتحكم في القوة والصلابة في الوقت الفعلي من خلال الاستشعار والتشغيل لتحمل الأحمال التمثيلية (Wada 1989; dos Santos et al. 2015; Wagg) وآخرون 2008؛ فيشر وآخرون 2009).على مدى العامين الماضيين، تمت دراسة العديد من أنظمة الواجهات القابلة للتكيف.من ناحية، ينظر فرع "التركيز على الهيكل" إما في تشكيل عناصر الواجهة (مثل الزجاج الرقيق) (Amarante dos Santos et al. 2020; Silveira et al. 2018; Louter et al. 2018) أو تمكين تكوين مكونات الواجهة الصلبة التكيف (Schleicher et al. 2011; Svetozarevic et al. 2019) مع تقليل الاستدامة والراحة.
بالنسبة لمرحلة التصميم، يمكن استخدام الذكاء الاصطناعي وتعلم الآلة لاستنتاج حلول تقنية مناسبة لمهام معينة قيد النظر في مرحلة التصميم المبكرة (التصميم والتخطيط بمساعدة الذكاء الاصطناعي) مع فحص محتمل لأخطاء التخطيط أو نجاح التحقق غير المحتمل للحل المصمم.تكمن المشكلة الرئيسية في التقديم الفوري للذكاء الاصطناعي وتطبيقه هنا في انخفاض معدل الرقمنة (Chui et al. 2018; Schober 2020) (من المحتمل جدًا توثيق التفاصيل الخاصة بالمباني القديمة على الورق بدلاً من تنسيق رقمي قابل للقراءة من ML)، تباين كبير في تنسيقات البيانات (تنسيقات CAD، تنسيقات برامج التحقق الهيكلي، وما إلى ذلك) ضمن عملية التصميم والتخطيط والتحقق في الهندسة المدنية وعدم تجانس الشركاء المرتبطين (عادةً شركات صغيرة ليس لديها بروتوكول رسمي بشأن سير العمل الرقمي) في مشروع التصميم والبناء.علاوة على ذلك، وبسبب الحفاظ على المزايا التنافسية، لا ترغب العديد من الشركات في مشاركة أو تقديم حلول تقنية متاحة للجمهور في شكل قاعدة بيانات.
إن سير العمل الرقمي بالكامل بناءً على نهج نمذجة معلومات البناء (BIM) (Borrmann et al. 2015; Isikdag 2015) لدورة الحياة الكاملة للمبنى يحل مشكلة الرقمنة ويسمح بتطبيق خوارزميات الذكاء الاصطناعي في عدة أشكال.BIM هو وصف رقمي لكل جانب من جوانب مشروع البناء ويمارس في الوقت الحاضر إلى حد ما في صناعة البناء والتشييد.الفكرة الأولية لـ BIM هي نموذج معلومات ثلاثي الأبعاد يتكون من بيانات رسومية وغير رسومية، والتي يتم تجميعها في مساحة رقمية مشتركة تسمى (Common Data Environment; CDE).يتم تحديث جميع المعلومات المتعلقة بهذا المبنى المحدد باستمرار مع تقدم الوقت خلال دورة حياة المبنى، وبالتالي ضمان تحديث النموذج دائمًا (Serrano 2019).
ومع ذلك، لا تزال BIM اليوم تعاني من تحديات تقنية عبر التخصصات مثل التصميم المعماري، والتحقق الهيكلي، وتصميم فيزياء البناء، وقياسات الصيانة وما إلى ذلك، وسير العمل الرقمي الكامل مع مكونات الذكاء الاصطناعي بدءًا من الرسومات الأولى وحتى هدم المبنى (Ghaffarianhoseini et al. 2017؛ Vass and Gustavsson 2017؛ Akponeware and Adamu 2017) ليس ممكنًا بعد.لتطبيق الذكاء الاصطناعي في مشكلة التحسين والتحكم متعددة المعايير كما هو موضح سابقًا في هذا القسم، هناك حاجة إلى توأم مادي إلكتروني (توأم رقمي، نموذج هيكلي قابل للحساب) (Boschert and Rosen 2016; Borrmann et al. 2015; راج وإيفانجلين 2020) ضمن نموذج BIM المصاحب لدورة الحياة.
التوأم الرقمي هو صورة رقمية لنظام مادي يستخدم بكثافة في الصناعة حتى الآن لتقليل الأخطاء التشغيلية وتحسين تصميم المنتج.إن نقطة البداية للتوأم الرقمي هي نموذج ثلاثي الأبعاد دقيق للغاية يحتوي على جميع ميزات ووظائف النظام المادي، بما في ذلك المواد أو تكنولوجيا الاستشعار أو حتى ديناميكيات البنية الحقيقية.يعد نهج التصميم البارامترى في الهندسة المعمارية (Monedero 2000; Wortmann and Tunçer 2017; Oxman 2017) خطوة أولى في هذه الاتجاهات ويبدو مناسبًا جدًا للاتصال بالذكاء الاصطناعي لأنه يستخدم حاليًا خوارزميات التحسين، على سبيل المثال الخوارزميات الجينية وما إلى ذلك والتي هي فرعية -مجموعات الذكاء الاصطناعي.
المشكلة الثانية المذكورة المتعلقة بالواجهة أو المبنى الذكي يمكن معالجتها بالمثل من وجهة نظر رياضية وذكاء اصطناعي (Aznar et al. 2018; Luna-Navarro et al. 2020).تنطبق أساليب تعلم الآلة المماثلة في هذا السياق أيضًا.الفكرة العامة هي أنه بالنظر إلى دالة الخسارة المعقولة والمناسبة، أي وظيفة قادرة على وصف رفاهية المستخدم وراحته بشكل صحيح، فإن الواجهة أو المبنى قادر على معرفة مجال الراحة المحدد للمستخدم الفردي من خلال تدريب خوارزمية الذكاء الاصطناعي للحصول على حالة مرجعية وتغذية راجعة مستمرة للمستخدم حول الرفاهية.من خلال هذا النهج، سيكون من الممكن توفير أقصى قدر من الراحة للمستخدم مع الحد الأدنى من التدخل.
إذا تم تطبيق خوارزميات ML أو DL الخاضعة للإشراف، فيجب إنشاء وظيفة الخسارة (وصف مشكلة التحكم والتوجيه) في السياقات المذكورة.بالإضافة إلى ذلك، من الضروري تطوير ميزات مناسبة وذات مغزى، والتي تسمح بتصنيف معقول ولا لبس فيه لحالة الواجهة قيد النظر من الناحية الهيكلية (Aznar et al. 2018; Luna-Navarro et al. 2020).على سبيل المثال، فإن مبادئ البناء الفيزيائية والعلاقات المتبادلة لوصف راحة المستخدم نتيجة للمؤثرات الخارجية والتلاعب بها، على سبيل المثال عن طريق التحكم في أنظمة توجيه الضوء أو التدفئة، معروفة بالفعل اليوم من الناحية النظرية، ولكن حتى الآن تم لم يتم أخذها في الاعتبار في أي نهج تجاه "المنزل الذكي".
ثم يتم تحليل البيانات للتنبؤ بأحداث الفشل المستقبلية وأوقات حدوثها.تأخذ الصيانة الإرشادية هذا التحليل إلى حالة نضج إضافية لأنها لا تتنبأ بأحداث الفشل فحسب، بل توصي أيضًا بالإجراءات التي يجب اتخاذها ومتى.وبالتالي، تتنبأ مراقبة الصحة الهيكلية (SHM) بالأداء المستقبلي لأي مكون من خلال تقييم مدى انحراف أو تدهور النظام عن ظروف التشغيل العادية المتوقعة (NOC) (Brunton and Kutz 2019).يعتمد استنتاج شهادة عدم الممانعة (NOC) على تحليل أوضاع الفشل، والكشف عن العلامات المبكرة للتآكل والتقادم وظروف الخطأ.
بدءًا من غسل الزجاج، والقطع والكسر، والتلطيف الحراري/الكيميائي والتصفيح لتشكيل زجاج مصفح (آمن) (Schneider et al. 2016; Sedlacek 1999; Siebert and Maniatis 2012).يتم باستمرار تحسين تكنولوجيا الماكينات الخاصة بتنقية الزجاج وتحسينها لتلبية المتطلبات الخاصة بالعملاء.الأساليب المعمول بها حاليًا إما تفشل أو تكون أسوأ مقارنة بتقنيات الذكاء الاصطناعي، والتي يمكن دمجها هنا.توضح الأمثلة التالية بمزيد من التفصيل استخدام الذكاء الاصطناعي لإجراء تحسينات أسرع وأكثر منهجية في إنتاج وتصنيع المنتجات الزجاجية.ضمن هذا القسم، يتم تسليط الضوء على أربعة تطبيقات مختلفة للذكاء الاصطناعي لإنتاج الزجاج وإدارة جودته:
في حين أنه من الممكن من حيث المبدأ استخدام مناهج المبادئ الأولى (المحاكاة الكيميائية الحرارية/الديناميكية الحرارية مثل الحسابات الأولية المستندة إلى ميكانيكا الكم، أو نظرية الكثافة الوظيفية، أو الديناميكيات الجزيئية، أو نماذج الشبكة وما إلى ذلك (Van Ginhoven et al. 2005; Benoit et al. 2000)) لحساب بنية النطاق الإلكتروني وطاقة التكوين وغيرها من المعلمات الديناميكية الحرارية، فإن حسابات المنتجات التقنية وتقدير الخصائص بهذه الطرق لا تزال باهظة الثمن وتستغرق وقتًا طويلاً.من وجهة نظر رياضية، يمكن اعتبار تكوين تصميم النظارات الجديدة بمثابة مشكلة تحسين متعددة الأهداف مع العديد من القيود، والتي يمكن التعامل معها بسهولة من خلال نهج تعلم الآلة.(هيل وآخرون 2016)
يظهر فيما يلي مثال للتطوير المبني على البيانات لنوع جديد من الزجاج، والذي قدمه (Tandia et al. 2019).في هذا المثال، الخاصيتان الأكثر أهمية لتصميم الزجاج هما درجة حرارة السائل TL واللزوجة η، حيث يتم تعريف درجة حرارة السائل الزجاجي على أنها درجة الحرارة التي يترسب عندها الطور البلوري الأول من ذوبان تركيبة زجاجية معينة عندما يتم تبريد المنصهر بمعدل صغير جدًا وتكون اللزوجة ذات صلة بسمك الورقة المستهدف في مرحلة الإنتاج.حتى اليوم لا توجد نماذج دقيقة وقابلة للتعميم تعتمد على الفيزياء لدرجة حرارة السائل الذائب أو لزوجة الزجاج الصناعي المعروفة، وبالتالي فإن تطبيق DL هو استراتيجية قابلة للتطبيق لتطوير نموذج تنبؤي لكل من درجة حرارة السائل واللزوجة.
من بين تقنيات تعلم الآلة الأخرى، يتم تدريب NN للتنبؤ بكلا المعلمتين، والتي يتم تقديمها بمزيد من التفصيل في سياق هذه الورقة.يظهر الشكل 10. NN بالإضافة إلى القدرات التنبؤية. ولأسباب الإيجاز، يتم فقط وصف نموذج الذكاء الاصطناعي للزوجة η بالتفصيل، حيث أن هذه الكمية تدفع سمك الزجاج داخل عملية الإنتاج.في نهج (Tandia et al. 2019)، تم استخدام نموذج MYEGA مع NN.يمتلك نموذج MYEGA النموذج:
لقد وجد أن نهج معادلة NN-MYEGA المدمج أدى إلى نموذج تنبؤ دقيق بدرجة كافية مع خطأ منخفض في مجموعة التحقق مقارنة بالنماذج الأخرى، وبالتالي كان تطوير تركيبات زجاجية جديدة ممكنًا خلال وقت أقل بكثير وبأموال أقل.يمكن العثور على مزيد من التفاصيل حول هذا المثال المحدد في (Tandia et al. 2019) بينما يقدم (Mauro et al. 2016; Mauro 2018) حالات تطبيقية إضافية للذكاء الاصطناعي لتطوير المواد الزجاجية.
يجب حاليًا على منتجات البناء ومكونات المباني الجاهزة أن تفي ببعض المعايير الوطنية والدولية لضمان الحد الأدنى من الموثوقية والاتساق لهذه المنتجات عبر الدول (Schneider et al. 2016; Siebert and Maniatis 2012).تتطلب تقنيات الإنتاج الجديدة مثل التصنيع الإضافي جنبًا إلى جنب مع الاستراتيجيات الجديدة لتحقيق متطلبات لوائح البناء أتمتة اختبار جودة المواد مع القليل من التدخل البشري لضمان التكرار والموضوعية في عملية الاختبار.
في الوضع الراهن لمراقبة جودة الزجاج والمنتجات الزجاجية، غالبًا ما يتم إجراء عمليات فحص بصرية من قبل البشر لتقييم، على سبيل المثال، نظافة الزجاج، وجودة الحواف المقطوعة (Bukieda et al. 2020)، وتأثيرات تباين الخواص الناجمة عن التقسية الحرارية للزجاج (Illguth et al. 2015) أو لتحديد درجة الالتصاق بين الطبقات البينية والزجاج (Franz 2015).في بروتوكولات الاختبار الحالية هذه، يلزم تقييم وحكم المختبر البشري لتحديد درجة الوصول إلى متطلبات لوائح البناء، وبالتالي فإن نتائج القياس الكمي للجودة البشرية تكون عرضة لعدم اليقين الإحصائي الذي لا يستهان به من خلال قرارات الاختبار البشري، (ويلبر و الكاتب 2002).
في نطاق هذه الورقة، يتم تقديم مثال على التشييء والتنظيم والأتمتة لفحص المنتج المرئي للنظارات المصفحة من خلال ما يسمى باختبار بوميل.يحدد اختبار Pummel على وجه التحديد درجة الالتصاق بين الطبقة البينية البوليمرية واللوح الزجاجي للصفائح الزجاجية، حيث يحدد مقياس بصري يتراوح من 0 إلى 10 مستوى الالتصاق.وبالتالي فإن قيمة Pummel الناتجة توفر مؤشرًا لخصائص الجودة والسلامة للزجاج الرقائقي، حيث تشير القيمة 0 إلى عدم وجود التصاق و10 التصاق عالي جدًا (Beckmann and Knackstedt 1979; Division 2014).
تتكون عينة الزجاج الرقائقي لاختبار Pummel من لوحين من الزجاج المصقول بسماكة قصوى تبلغ 2 × 4 مم.يتم تعريض العينات لمناخ درجة حرارة -18 درجة مئوية لمدة 8 ساعات تقريبًا، ثم يتم وضعها على كتلة معدنية مائلة ومعالجتها بمطرقة (المضرب).يتم بعد ذلك تقدير قيمة الضربة بواسطة مفتش بشري استنادًا إلى مساحة سطح الطبقة البينية من البوليمر المكشوفة بعد الضرب (راجع الشكل 11-يسار).يمكن العثور على مزيد من التفاصيل حول اختبار Pummel في (Schneider et al. 2016; Beckmann and Knackstedt 1979; Division 2014).
باتباع نهج الذكاء الاصطناعي المبني على البيانات، يرد في الشكل 11 رسم توضيحي تخطيطي لسير العمل لتصنيف الضربات الآلي القائم على الذكاء الاصطناعي.يعتمد على إدخال صور ذات قيمة رمادية بعد ضرب الزجاج الرقائقي.تتم بعد ذلك معالجة هذه الصور بواسطة شبكة CNN العميقة المدربة مسبقًا لتصنيفها إلى واحدة من فئات قيمة Pummel الـ 11.لقد تم بالفعل تقديم تفاصيل حول البنية الأساسية لشبكات CNN في القسم.في الشكل 2.3، لم يتم هنا وصف المزيد من التفاصيل حول شبكات CNN خاصة في مجال رؤية الكمبيوتر بالتفصيل مع الإشارة إلى (LeCun et al. 2015; Voulodimos et al. 2018).باستخدام هذا النهج، يتم بالتالي أتمتة التصنيف القياسي القائم على الإنسان لصور الضرب في فئات الضرب أثناء التحكم في الإنتاج وتحديده باستخدام شبكة CNN المدربة مسبقًا للتنبؤ بفئة الضرب إلى جانب القياس الكمي السليم إحصائيًا لأوجه عدم اليقين في هذه العملية.
نظرًا لعدم توفر سوى عدد قليل فقط من بيانات صورة Pummel لتدريب CNN، استخدم المؤلفون زيادة بيانات الصورة لتوسيع مجموعة بيانات التدريب.تظهر النتائج الأولى احتمالية التنبؤ بالتصنيف الصحيح لقيمة الضربة بما يزيد عن 80%، راجع.الشكل 13. ومع ذلك، من المتوقع تحقيق مكاسب كبيرة في الأداء في حالة توفر المزيد من بيانات صورة Pummel الفعلية في الخطوة التالية من هذا المشروع.من أجل إظهار أداء أداة AI Pummel، يتم توضيح نتائج التحقق الأولى في الشكل 12، حيث تظهر صورة Pummel المراد تصنيفها مع التنبؤ المستند إلى CNN لقيمة Pummel بالإضافة إلى قيمة Pummel التي تحددها الشركة المصنعة (قيمة الحقيقة الأرضية) تظهر أيضًا.
يثبت الشكل 12 مع الشكل 13 أن أداة AI Pummel قادرة بشكل جيد على التعميم، أي تصنيف صور Pummel التي لم يتم استخدامها أثناء تدريب CNN بشكل صحيح.يتم قياس دقة خوارزمية التصنيف في سياق هذه الورقة من خلال مصفوفة الارتباك (المعروفة أيضًا باسم مصفوفة الخطأ) (راجع الشكل 13).يمثل كل صف من المصفوفة قيم الضربة التي تنبأ بها الذكاء الاصطناعي، بينما يمثل كل عمود قيمة الضربة الفعلية المحددة من قبل الشركة المصنعة (الحقيقة الأرضية).تنبع مصفوفة ارتباك الاسم من تفسير الخوارزمية، وهنا يخلط مصنف CNN بين فئتين.يعد تفسير مصفوفة الارتباك لشبكة CNN أمرًا مثيرًا للاهتمام، كما هو الحال بالنسبة لفئات قيمة الضربة 1، 3، 5، 7، 9، تزيد دقة التنبؤ عن 92٪.
تم الحصول على أسوأ نتيجة تنبؤية لفئة قيمة Pummel البالغة 6، حيث تم العثور على دقة قدرها 63%.ومن ناحية أخرى، فإن النتائج تثير التساؤل حول المقياس النوعي لـ 11 صنفًا سيتم تجميعها في 5 أو 6 أصناف بوميل، على سبيل المثال.ومع ذلك، نظرًا لأن تدريب CNN كان يعتمد على كمية صغيرة من البيانات المتاحة للجمهور، فقد تم جمع المزيد من المبررات النظرية لفئة Pummel هذه جنبًا إلى جنب مع تقدير كمي لتحسين أداء ومتانة CNN وإجراء مزيد من التحقيقات حول البنى البديلة أو حتى يجب أن تعتمد الأساليب البديلة مثل التجميع (Jain et al. 1999) على الدراسات المستقبلية مع كمية متزايدة من صور Pummel ذات الحقيقة الأرضية.
يمكن ملاحظة أنه نظرًا لاختلاف معلمات عملية القطع، فإن الضرر الناتج على الحافة (نظام الكراك) يمكن أن يختلف في مداه.بالإضافة إلى ذلك، يمكن ربط هذه الخاصية الخاصة بنظام الكراك بالقوة (Müller-Braun et al. 2018).على وجه الخصوص، فقد وجد أن خصائص الشقوق الجانبية، راجع.يتيح الشكل 14، عند عرض الحافة المتعامدة مع السطح الزجاجي، أفضل التنبؤات لقوة الحافة الزجاجية (Müller-Braun et al. 2020).
في حين أن التعرف على كائن ما أمر تافه بالنسبة للبشر، بالنسبة لتطبيقات رؤية الكمبيوتر، لا يزال التصنيف القوي للصور يشكل تحديًا (Russakovsky et al. 2015).امتداد لتصنيف الصور هو اكتشاف الكائنات (أي إحاطة الكائنات بإطار أو مربع داخل الصورة).غالبًا ما يتطلب اكتشاف الكائنات حدودًا خشنة للكائن داخل الصورة، ولكن في الحالة المطروحة، من المستحسن استخراج حدود الكائن بأكبر قدر ممكن من الدقة.يصف التجزئة الدلالية، على النقيض من اكتشاف الكائنات، مهمة تصنيف كل بكسل فردي في الصورة إلى فئة معينة (Guo et al. 2018).تقوم مهمة التجزئة الدلالية بمعالجة بيانات الصورة بطريقة تجعل الكائن الذي سيتم العثور عليه مجزأ أو محاطًا بما يسمى بالقناع.
في (Drass et al. 2020) تم تطبيق الذكاء الاصطناعي وخاصة مشكلة التجزئة الدلالية لأول مرة لتحديد الحواف المقطوعة للزجاج المقطوع لإنشاء صور القناع تلقائيًا.الهدف هو معالجة صورة حافة قطع زجاجية باستخدام نموذج DL U-Net (Ronneberger et al. 2015) بطريقة يتم من خلالها إنشاء صورة قناع بواسطة النموذج دون برمجتها بشكل صريح للقيام بذلك.
بالنسبة للمشكلة المطروحة، يتم تقسيم صور حواف الزجاج المقطوعة إلى فئتين "المكسور" (أسود) والزجاج غير التالف (أبيض)، أي تجزئة ثنائية، يتم إجراؤها باستخدام بنية U-Net، كما هو موضح في الشكل 15. وبناءً على ذلك، يجب أن تتعرف صورة القناع فقط على حافة الزجاج المقطوع من الصورة الأصلية وتعرضها باللون الأسود في صورة القناع.مزيد من التفاصيل حول بنية U-Net وخوارزمية التعلم وضبط المعلمات الفائقة موجودة في (Drass et al. 2020).
تم تضمين معلمات أخرى في سلسلة الاختبار، والتي لم يتم وصفها بالتفصيل هنا لأسباب الإيجاز.تم تضمين إجمالي 25 ميزة لسلسلة الاختبار بأكملها.بعد تطبيق خوارزمية اختيار ميزات Boruta (Kursa et al. 2010)، يمكن تصنيف 12 من 25 ميزة على أنها غير مهمة، بحيث تم تدريب نموذج الانحدار باستخدام خوارزمية ML على عدد أقل من 13 ميزة.
النموذج المستخدم في هذا المثال هو تراجع الأشجار الإضافية (المعروف أيضًا باسم الأشجار العشوائية للغاية) (Geurts et al. 2006)، والذي يشبه تراجع الغابة العشوائية.تم استخدام SciKit-Learn (Pedregosa et al. 2011; Buitinck et al. 2013) مع إعدادات المعلمة الفائقة الافتراضية لمرتد الأشجار الإضافية دون إجراء مزيد من الاستقصاء حول ضبط المعلمة الفائقة.تم تطبيق طريقة الإيقاف الفردي لتقسيم البيانات إلى بيانات التدريب والاختبار.يوضح الشكل 17 البقايا (بالميجا باسكال) بين قوة الحافة الفعلية والمتوقعة بشكل منفصل لبيانات التدريب والتحقق من الصحة.
في إطار التحليل المتقدم للمواد البوليمرية في هندسة الزجاج الإنشائي، يجب تطبيق النماذج التأسيسية القادرة على التقاط العلاقة بين الإجهاد والانفعال غير الخطية بشكل مناسب.في (Drass 2019; Drass and Kraus 2020b)، تم تقديم شكل وظيفي جديد لطاقة هيلمهولتز المجانية لنمذجة المرونة المفرطة ومعايرتها لمختلف المواد البوليمرية، خاصة بالنسبة للسيليكونات الهيكلية مثل DOWSIL™ TSSA أو DOWSIL™ 993 بالإضافة إلى صفائح الزجاج. الطبقات البينية بولي فينيل بوتيرال (PVB) وإيثيلين فينيل أسيتات (EVA) من خلال تقنيات التحسين التقليدية.هنا، يتم طرح ومعايرة مشكلة ML الخاضعة للإشراف للحصول على معلمات إمكانات هيلمهولتز بطريقة بايزي.
حيث I1,b¯=tr(b¯) يميز الموتر المتساوي الأول، الثابت الرئيسي لليسار، الموتر Cauchy-Green المتساوي b¯.امتدادا لمعادلة.5 بواسطة المتغير الثاني للموتر كوشي-أخضر الأيسر يؤدي إلى
تم تقديم البيانات التجريبية للسيليكون الشفاف في (Drass et al. 2018a, b)، حيث تم توصيف المادة تجريبيًا بالتوتر والضغط أحادي المحور، والتشوه ثنائي المحور.السيليكون الهيكلي الثاني عبارة عن لاصق سيليكون مملوء باللون الأسود الكربوني، والذي تم فحصه بواسطة (Staudt et al. 2018) من حيث التوتر أحادي المحور وتحميل القص البسيط.المادة الثالثة التي سيتم فحصها هي المطاط الصناعي المملوء من صناعة الإطارات، والذي يتميز بأحمال الشد والقص (Lahelec et al. 2004).تم تحديد جميع معلمات المواد باستخدام خوارزميات التعلم الآلي الخاضعة للإشراف بايزي بناءً على خوارزمية DREAM MCMC (Vrugt 2016)، راجع.الشكل 19. في سياق هذه الورقة يتم عرض نتائج DOWSIL™ TSSA فقط لأسباب الإيجاز.
كما يتبين من الشكل 19 أ، فإن نموذج فرط المرونة الجديد المقدم Ψiso، ND ونموذج الأنبوب الممتد مناسبان تمامًا لتمثيل البيانات التجريبية لـ TSSA لأربعة أنواع مختلفة من التجارب.ومن المثير للاهتمام أن محاكاة MCMC على جهاز كمبيوتر محمول قياسي استمرت حوالي 20 دقيقة وأدت إلى نتائج (متوسط قيم المعلمات) كانت قريبة جدًا من أصغر المربعات المحددة باستخدام برنامج MATHEMATICA، على الرغم من أن MCMC يعني جهدًا عدديًا أعلى بكثير مقارنةً بـ MCMC. أصغر المربعات.
أثبتت العديد من الدراسات حول سلوك تفتيت الزجاج المقسى وجود علاقات بين حالة الإجهاد المتبقية وسمك الزجاج وكثافة الشظايا (Akeyoshi and Kanai 1965; Lee et al. 1965; Sedlacek 1999; Mognato et al. 2017; Pourmoghaddam and Schneider 2018). ).تعتمد كثافة الشظية أو شدة الكسر في مجال المراقبة، وشكل الشظية وبالتالي نمط الكسر بأكمله على كثافة طاقة الإجهاد المرن UD وبالتالي حجم الإجهاد المتبقي الناجم عن إجراء الإجهاد الحراري المسبق.يظهر هذا في الشكل 20 بالنسبة للزجاج المقسى حراريًا لمستويات مختلفة من الإجهاد المتبقي.يمكن ملاحظة بوضوح أن حجم القطعة يزداد مع انخفاض مستوى الإجهاد المتبقي.يقترب حتى الآن من الكميات المتوسطة ذات الصلة مثل وزن جسيم الكسر أو محتوى المساحة أو المحيط (Pourmoghaddam and Schneider 2018).
لإظهار نتائج واضحة لخوارزمية BR، تم تحليل لوحة زجاجية بسمك t = 12 مم ودرجة محددة من الإجهاد المسبق تبلغ σm = 31.54 ميجا باسكال (U0 = 8.754 J/m3).بعد المعالجة المورفولوجية لصور الكسر، تم تحديد إحصائيات الترتيب الأول لنمط النقطة المستخرجة في الخطوة الأولى لاستنتاج كثافة عملية النقطة.بعد معايرة معلمات النموذج على أساس صور نمط الكسر المسجلة، تم إجراء محاكاة لأنماط الكسر المكافئة إحصائيًا باستخدام عملية شتراوس المعايرة مع التغطية بالفسيفساء فورونوي المستحثة.يظهر الشكل 22 تحقيقًا مثاليًا يعتمد على القيم المتوسطة لمعلمات النموذج.
هناك منشورات أولى تتناول تطبيق الذكاء الاصطناعي في الهندسة المعمارية والتصميم، راجع.(Mrosla et al. 2019; Newton 2019; Baldwin 2019)، حيث يشير الجميع إلى أن أمثلة البيئة المبنية المولدة بواسطة الذكاء الاصطناعي والموجودة اليوم لا تزال بحاجة إلى سنوات إضافية من البحث والتعاون بين المجالات المختلفة لتحقيق الجودة المعلنة.
على سبيل المثال، اقترح (Baldwin 2019) طريقة تصميم مخطط الطابق بواسطة شبكات الخصومة التوليدية (GAN)، راجع.الشكل 23. حيث أن GAN هي شكل خاص من NN من عائلة NN كما هو موضح في القسم.2.3، يمكن العثور على مزيد من التفاصيل حول شبكات GAN في (Goodfellow et al. 2016; Frochte 2019).
يستخدم خط أنابيب تصميم مخطط GAN تمثيلات الصور للخطط كتنسيق بيانات لكل من مدخلات ومخرجات نماذج GAN، حيث يتم استخدام Pix2Pix كـ GAN موجه نحو ترجمة صورة إلى صورة.كشفت الدراسة المتأنية للمنظمة التي تعلمها كل نموذج عن وجود انحياز أعمق أو أسلوب معماري.يهدف المشروع إلى مساعدة المهندس المعماري في إنشاء تخطيط وتأثيث متماسك للغرفة وإعادة تجميع جميع الوحدات السكنية أخيرًا في مخطط أرضي مبدئي. كما تضمن المشروع تحويل مخططات الطوابق من نمط إلى آخر.
إن النمذجة البديلة بدون أساليب الذكاء الاصطناعي ومعها تثير اهتمام الأشخاص داخل مجتمعات الميكانيكا الحسابية والتحسين منذ عدة سنوات.تم تقديم نظرة عامة شاملة بواسطة (Forrester et al. 2008; Adeli 2001; Wortmann et al. 2015).تنبع الحاجة إلى بدائل في التحليل الهندسي من استخدام أساليب تتطلب حسابيًا مثل نماذج العناصر المحدودة للتحليل، الموضحة في الشكل 24.
يتم استخدام مواد حديثة مثل مجموعة كبيرة ومتنوعة من البوليمرات، خاصة في بناء الزجاج والواجهات، ولكن النمذجة التأسيسية لها أكثر تعقيدًا بكثير من مواد البناء القائمة بسبب خصائصها الميكانيكية الحرارية (Kraus 2019; Drass 2019).منذ أكثر من عشر سنوات حتى الآن، توفر مجموعة واسعة من الأعمال التجريبية والمنهجية الأساس لفهم أفضل للمادة وسلوك تحمل الأحمال لهذه المواد، حيث تفرض أحدث الأساليب أعلى المتطلبات على المهندس والمهندس. الأدوات المتاحة مثل برمجيات العناصر المحدودة (Drass and Kraus 2020c; Kraus and Drass 2020b; Kraus 2019; Drass 2019).
في هذه الورقة، تم تعريف القارئ بالمفاهيم الرئيسية وخلفية موجزة عن الذكاء الاصطناعي (AI) ومجموعاته الفرعية التعلم الآلي (ML) والتعلم العميق (DL).تم تقديم وتوضيح التسميات إلى جانب معنى المفردات الأساسية للذكاء الاصطناعي في المهمة T ومقياس الأداء P والخبرة E من خلال الأمثلة.علاوة على ذلك، تم تقديم شرح تفصيلي حول أهمية تقسيم البيانات المتاحة إلى مجموعة التدريب والتحقق من الصحة والاختبار، والتي أعقبها بعد ذلك التأكيد على الإفراط في النماذج وعدم ملائمتها أثناء التدريب بواسطة خوارزميات واستراتيجيات الذكاء الاصطناعي لتجنب أي من هذه المشاكل.
نود أن نعرب عن عظيم امتناننا للعديد من شركائنا في الصناعة والبحث لإجراء مناقشات مثمرة حول هذا الموضوع وتقديم عينات من المواد أو البيانات.ولا سيما الدعم المقدم من جامعة ستانفورد (البروفيسور كريستيان ليندر، دكتوراه في أوروبا الوسطى والشرقية) وكذلك TU Darmstadt (البروفيسور الدكتور-المهندس Jens Schneider @ Fachgebiet Statik) إلى جانب توجيهاتهم ودعمهم الأكاديمي الرائع هو موضع تقدير كبير.أتمنى أن يكون لهذه المقالة وأبحاثنا تأثير أكبر على مجتمع هندسة الزجاج المدنية والإنشائية.
M&M Network-Ing UG (ذات مسؤولية محدودة)، Lennebergstr.40، 55124، ماينز، ألمانيا
بولندا الصناعية Penapurreira Parcela C4-B, 15320 As Pontes de García Rodríguez A Coruña إسبانيا
25F، Huarun Mansion A، 6 Shandong Road، Qingdao، PR China تشينغداو شي شاندونغ شنغ، 266071 الصين
Via del Lavoro, 1 22036 Erba CO إيطاليا