هوش مصنوعی چگونه فرایندهای مهندسی را تسریع می‌کند؟
در توسعه یک گرید پلیمری جدید، بهینه‌سازی فرمولاسیون کامپاند یا طراحی یک قطعه پلاستیکی، مهندسان معمولاً با تعداد زیادی از متغیرها و گزینه‌های ممکن روبه‌رو هستند. بررسی تمام این گزینه‌ها از طریق آزمایش‌های فیزیکی و شبیه‌سازی‌های متوالی، به زمان، هزینه و نیروی انسانی قابل‌توجهی نیاز دارد. در چنین شرایطی، محدودیت منابع می‌تواند مانع بررسی گزینه‌هایی شود که شاید عملکرد بهتری داشته باشند.
هوش مصنوعی (Artificial Intelligence یا AI) و یادگیری ماشین (Machine Learning یا ML) راهی برای هدفمندتر کردن این فرایند فراهم می‌کنند. این فناوری‌ها با تحلیل داده‌های موجود، مدل‌سازی روابط میان متغیرها و پیش‌بینی نتایج، به مهندسان کمک می‌کنند تا گزینه‌های امیدوارکننده را پیش از انجام آزمایش‌های پرهزینه شناسایی کنند. در این رویکرد، هدف جایگزین کردن کامل آزمایش و تجربه مهندسی نیست؛ بلکه کاهش تعداد گزینه‌های نیازمند بررسی و استفاده مؤثرتر از منابع تحقیق و توسعه است.
یادگیری ماشین فناوری جدیدی نیست. در این روش، الگوریتم‌های نرم‌افزاری با تحلیل داده‌ها، الگوهای موجود را شناسایی می‌کنند و برای پیش‌بینی یا تصمیم‌گیری از آن‌ها بهره می‌برند. مدل با مقایسه مقادیر پیش‌بینی‌شده و مقادیر واقعی یا هدف، پارامترهای خود را بهبود می‌دهد. یادگیری عمیق (Deep Learning) نیز با استفاده از شبکه‌های عصبی چندلایه، امکان مدل‌سازی روابط پیچیده‌تر را فراهم می‌کند.
در سال‌های اخیر، پیشرفت پردازنده‌های گرافیکی و افزایش توان محاسباتی، استفاده عملی از این فناوری‌ها را گسترش داده است. در کنار مدل‌های زبانی بزرگ (Large Language Models یا LLM)، که عمدتاً برای پردازش و تولید زبان به کار می‌روند، ابزارهای داده‌محور دیگری نیز برای مسائل علمی و مهندسی توسعه یافته‌اند. ارزش این ابزارها برای صنعت پلیمر در توانایی آن‌ها برای بررسی سریع‌تر فضای طراحی، شناسایی روابط میان متغیرها و محدود کردن دامنه راه‌حل‌های قابل‌آزمایش است. برای آشنایی با کاربردهای عملی این فناوری‌ها در مسائل مهندسی پلیمر، می‌توانید بخش ابزارهای هوشمند PolymerIQ را بررسی کنید؛ مجموعه‌ای از راهکارها که با هدف استفاده کاربردی از داده و فناوری‌های دیجیتال در صنعت پلیمر توسعه می‌یابند.
محدودیت روش‌های سنتی در بررسی گزینه‌های مهندسی
در مهندسی سنتی، از مدل‌های نظری برای توصیف یک مسئله و محاسبه نتایج احتمالی استفاده می‌شود. این مدل‌ها با جمع‌آوری داده‌های بیشتر و مقایسه نتایج پیش‌بینی‌شده با مشاهدات واقعی، به‌تدریج اصلاح می‌شوند تا روابط میان ورودی‌ها و خروجی‌ها دقیق‌تر مشخص شود.
روش‌های آماری و طراحی آزمایش (Design of Experiments یا DOE) نیز به مهندسان کمک می‌کنند تا عوامل مؤثر، سطوح متغیرها و برهم‌کنش میان آن‌ها را به‌صورت نظام‌مند بررسی کنند. بااین‌حال، با افزایش تعداد عوامل و سطوح بررسی‌شده، تعداد ترکیب‌های آزمایشی می‌تواند به‌سرعت افزایش یابد. در نتیجه، هزینه و زمان تحقیق و توسعه معمولاً مهندسان را به انتخاب مجموعه محدودی از گزینه‌ها وادار می‌کند.
این محدودیت در فرمولاسیون‌های چندجزئی، توسعه مواد جدید و طراحی محصولات پیچیده اهمیت بیشتری پیدا می‌کند؛ زیرا گزینه‌های بررسی‌نشده ممکن است عملکرد مطلوب‌تری داشته باشند. هوش مصنوعی می‌تواند با گسترش دامنه گزینه‌های قابل‌ارزیابی و اولویت‌بندی آزمایش‌ها، بخشی از این محدودیت را کاهش دهد.
کشف پلیمرهای جدید با طراحی معکوس
در رویکرد متداول توسعه مواد، پژوهشگر ترکیب‌ها یا ساختارهای مختلف را انتخاب می‌کند، نمونه می‌سازد و خواص آن‌ها را اندازه‌گیری می‌کند. این چرخه تا زمانی ادامه می‌یابد که ماده‌ای با عملکرد موردنظر پیدا شود. اما در طراحی معکوس پلیمر (Inverse Polymer Design)، فرایند از خواص هدف آغاز می‌شود و مدل تلاش می‌کند ساختارهایی را شناسایی کند که احتمال دستیابی به آن خواص در آن‌ها وجود دارد. در کاربردهای مهندسی، پیش‌بینی خواص می‌تواند به غربالگری اولیه گزینه‌های مواد کمک کند. ابزار پیش‌بینی خواص پلیمر نیز در همین حوزه قرار می‌گیرد؛ البته اعتبار نتایج آن به داده‌ها، دامنه کاربرد مدل و روش اعتبارسنجی وابسته است.
این روش امکان بررسی فضای طراحی گسترده‌تری را فراهم می‌کند؛ فضایی که به پلیمرهای تجاری موجود در کاتالوگ تأمین‌کنندگان محدود نیست و می‌تواند ساختارهای فرضی متعددی را نیز دربر بگیرد. البته شناسایی یک ساختار امیدوارکننده به معنای امکان‌پذیری قطعی سنتز یا تأیید عملکرد آن نیست؛ گزینه‌های پیش‌بینی‌شده همچنان باید از نظر شیمیایی، عملیاتی و آزمایشگاهی ارزیابی شوند.
شناسایی پلیمرهای مناسب برای خازن‌های دمای بالا
یینگ لی (Ying Li)، استاد دانشگاه ویسکانسین، و همکارانش کاربرد الگوریتم‌های هوش مصنوعی را در طراحی پلیمر بررسی کرده‌اند. یکی از زمینه‌های مورد مطالعه، شناسایی پلیمرهای مناسب برای خازن‌های دی‌الکتریک است؛ تجهیزاتی که در کاربردهای دمای بالا به موادی با ترکیبی مناسب از خواص الکتریکی و حرارتی نیاز دارند.
در این کاربرد، دو ویژگی مهم عبارت‌اند از شکاف نواری انرژی (Band Gap) و دمای انتقال شیشه‌ای (Glass Transition Temperature یا Tg). دستیابی هم‌زمان به شکاف نواری بزرگ و دمای انتقال شیشه‌ای بالا می‌تواند چالش‌برانگیز باشد، زیرا این دو ویژگی در بسیاری از سامانه‌های مورد بررسی رابطه‌ای معکوس دارند.
مدل‌های یادگیری ماشین که با داده‌های پلیمرهای شناخته‌شده آموزش دیده‌اند، می‌توانند ساختارهای فرضی را غربال کنند و گزینه‌هایی را بیابند که پیش‌بینی می‌شود ترکیب مطلوب‌تری از این خواص داشته باشند. به این ترتیب، پژوهشگران به‌جای سنتز و آزمون تعداد زیادی ساختار، می‌توانند بررسی تجربی را بر گزینه‌های امیدوارکننده متمرکز کنند.
در یکی از مطالعات گزارش‌شده، یک مدل یادگیری ماشین نزدیک به ۵۰ هزار پلی‌سولفات را غربال کرد و ساختاری را شناسایی کرد که ترکیبی از دمای انتقال شیشه‌ای بالا، شکاف نواری انرژی بالا و ثابت دی‌الکتریک مناسب داشت. امکان سنتز این ساختار دست‌کم در مقیاس آزمایشگاهی وجود داشت.
این مثال نشان می‌دهد که مدل‌های داده‌محور می‌توانند در کشف مواد نقش غربالگر داشته باشند؛ بااین‌حال، کیفیت نتایج به داده‌های آموزشی، نحوه نمایش ساختارهای شیمیایی و سازگاری پیش‌بینی‌ها با دانش علمی موجود وابسته است.
چرا دانش شیمی پلیمر همچنان ضروری است؟
به گفته لی، عملکرد مناسب مدل فقط به حجم داده‌ها یا پیچیدگی الگوریتم وابسته نیست. وارد کردن دانش تخصصی حوزه، از جمله اصول شیمی پلیمر و نظریه ترکیب گروه‌ها (Group Combination Theory)، می‌تواند به ساخت مدل‌هایی کمک کند که روابط معنادارتری میان ساختار و خواص مواد یاد بگیرند.
در این زمینه، مهندسی ویژگی‌ها (Feature Engineering) اهمیت ویژه‌ای دارد. ویژگی‌های ورودی باید به‌گونه‌ای تعریف شوند که اطلاعات مرتبط با ساختار و رفتار پلیمر را بازتاب دهند. همان‌طور که لی تأکید می‌کند، حتی یک مدل کاملاً آموزش‌دیده نیز ممکن است شکست بخورد، اگر مهندسی ویژگی‌ها با توجه به فیزیک حاکم بر پلیمرها انجام نشده باشد.
بنابراین، در توسعه مواد پلیمری، ترکیب داده‌های مناسب با دانش شیمی و فیزیک پلیمر می‌تواند از اتکای صرف به هم‌بستگی‌های آماری جلوگیری کند و فرایند شناسایی مواد جدید را هدفمندتر سازد. لی این پژوهش را در ماه فوریه در کنفرانس بین‌المللی پلی‌الفین‌های انجمن مهندسان پلاستیک (SPE) ارائه کرد.
بهینه‌سازی کامپاندینگ و بازیافت پلاستیک با هوش مصنوعی
در کامپاندینگ، مهندس باید ترکیب مواد اولیه و افزودنی‌ها را به‌گونه‌ای انتخاب کند که خواص محصول، الزامات فرایندی و محدودیت‌های هزینه‌ای به‌طور هم‌زمان برآورده شوند. تعداد ترکیب‌های ممکن می‌تواند بسیار زیاد باشد؛ به‌ویژه هنگامی که چندین نوع پلیمر، پرکننده، پایدارکننده یا بازدارنده شعله با سطوح مختلف مصرف بررسی می‌شوند. پیش از توسعه یا اصلاح یک فرمولاسیون، انتخاب ماده پایه متناسب با نیاز کاربرد نیز اهمیت دارد. ابزار تعیین گرید هوشمند پلیمر می‌تواند برای مقایسه گریدها و محدود کردن گزینه‌های انتخابی مورد استفاده قرار گیرد؛ این مرحله مکمل بهینه‌سازی فرمولاسیون است و جایگزین آن نمی‌شود.
طراحی آزمایش (DOE) روشی نظام‌مند برای انتخاب ترکیب‌های آزمایشی و بررسی اثر عوامل است. بااین‌حال، تعداد آزمایش‌های موردنیاز در یک طرح عاملی کامل (Full Factorial Design) به تعداد عوامل و سطوح هر عامل وابسته است و با افزایش آن‌ها به‌سرعت رشد می‌کند.
برای مثال، اگر فرمولاسیون شامل ۶ ماده تشکیل‌دهنده باشد و برای هر ماده سه سطح در نظر گرفته شود، تعداد ترکیب‌ها در یک طرح عاملی کامل برابر است با:
36 = 729 آزمایش
این تعداد، همه ترکیب‌های ممکن را در طرح تعریف‌شده پوشش می‌دهد؛ اما لزوماً به این معنا نیست که انجام همه آن‌ها در هر پروژه ضروری است. هدف روش‌های بهینه‌سازی، از جمله رویکردهای مبتنی بر هوش مصنوعی، آن است که آزمایش‌های اطلاعات‌بخش‌تر انتخاب شوند و منابع به گزینه‌های امیدوارکننده اختصاص یابند.
هانا ملیا، مدیر بازاریابی شرکت Citrine، توضیح می‌دهد که DOE برای بررسی تعداد محدودی از متغیرها بسیار مفید است؛ اما کامپاندرها ممکن است ده‌ها نوع پرکننده و بازدارنده شعله را در نظر بگیرند و ناچار شوند تنها تعداد کمی از آن‌ها را برای آزمایش انتخاب کنند. این انتخاب ممکن است بر تجربه و قضاوت مهندسی متکی باشد، درحالی‌که هزینه هر آزمایش می‌تواند به هزاران دلار برسد.
نمایی از نتایج پلتفرم Citrine برای یک فرمولاسیون کامپاند پلیمری.
کار با داده‌های محدود و ناقص
یکی از موانع استفاده از یادگیری ماشین در توسعه مواد، محدود بودن داده‌های آزمایشگاهی است. مدل‌های پیش‌بینی برای یادگیری روابط قابل‌اعتماد به داده‌هایی نیاز دارند که اطلاعات کافی درباره عوامل مؤثر و نتایج حاصل فراهم کنند. اگر تعداد داده‌ها کم باشد، یا بسیاری از خواص و متغیرها در آزمایش‌های مختلف اندازه‌گیری نشده باشند، عملکرد مدل ممکن است محدود شود.
به گفته ملیا، ۸۰ درصد مشتریانی که به Citrine مراجعه می‌کنند، کمتر از ۱۰۰ نقطه داده دارند. او همچنین اشاره می‌کند که برخی مجموعه‌داده‌ها علاوه بر کوچک بودن، تنک (Sparse) هستند؛ یعنی برای بخشی از نمونه‌ها، اطلاعات مربوط به بعضی خواص یا متغیرها در دسترس نیست. پیش از استفاده از مدل‌های یادگیری ماشین، شناخت کیفیت داده‌ها، مقادیر مفقود و الگوهای موجود در اطلاعات اهمیت دارد. ابزارهای داشبورد و تحلیل داده با Power BI می‌توانند در بررسی و نمایش داده‌های عملیاتی و شناسایی الگوهای قابل‌بررسی در فرایندهای صنعتی کمک‌کننده باشند.
در چنین شرایطی، استفاده از الگوریتم‌های پیچیده به‌تنهایی راه‌حل مسئله نیست. انتخاب روش مناسب باید با توجه به حجم و کیفیت داده‌ها، نوع متغیرهای موجود و هدف مهندسی انجام شود. دانش تخصصی حوزه (Domain Knowledge) می‌تواند در تعریف محدودیت‌ها، انتخاب ویژگی‌ها و حذف گزینه‌های نامعقول نقش مهمی داشته باشد.
مدل‌های مبتنی بر اصول فیزیکی
مدل‌های مبتنی بر اصول فیزیکی (Physics-Aware Models) از دانش علمی و محدودیت‌های تعریف‌شده توسط متخصصان در کنار داده‌های موجود استفاده می‌کنند. هدف این است که فضای جست‌وجو فقط بر اساس الگوهای آماری بررسی نشود، بلکه گزینه‌های ناسازگار با دانش شناخته‌شده یا محدودیت‌های عملی نیز کنار گذاشته شوند.
پلتفرم Citrine از داده‌های آموزشی در کنار قواعد و محدودیت‌هایی که متخصصان تعریف می‌کنند، برای ساخت مدل پیش‌بینی بهره می‌گیرد. سپس مدل گزینه‌های مناسب را برای بررسی بیشتر پیشنهاد می‌کند. این گزینه‌ها می‌توانند شامل ترکیب حلال‌ها برای بازیافت شیمیایی، ترکیب مواد اولیه برای تولید یک کامپاند جدید یا پارامترهای مناسب فرایند باشند.
مهندسان می‌توانند محدودیت‌های تجاری، فنی و مقرراتی را نیز وارد فرایند انتخاب کنند؛ برای مثال، برخی افزودنی‌ها را به دلیل الزامات قانونی حذف کنند یا محدوده دمای فرایند را مشخص سازند. مدل در نهایت فهرستی از گزینه‌های ممکن را بر اساس احتمال دستیابی به الزامات تعیین‌شده رتبه‌بندی می‌کند.
پس از انتخاب چند گزینه و انجام آزمایش‌های واقعی، نتایج می‌توانند دوباره وارد مدل شوند. این چرخه تکرارشونده، که در آن هر مرحله آزمایشی اطلاعات جدیدی برای مرحله بعد فراهم می‌کند، به اصلاح پیش‌بینی‌ها و هدفمندتر شدن آزمایش‌های بعدی کمک می‌کند. ملیا گزارش می‌کند که در تجربه مشتریان این شرکت، دستیابی به اهداف موردنظر گاهی در تکرار سوم مشاهده شده است؛ این گزارش را نباید به‌عنوان تضمینی برای همه پروژه‌ها در نظر گرفت.
برای مهندسان پلیمر، کاربرد عملی این رویکرد در آن است که می‌توانند بخشی از آزمایش‌های کم‌اولویت را کنار بگذارند و منابع را بر ترکیب‌هایی متمرکز کنند که بیشترین احتمال دستیابی به خواص هدف را دارند. بااین‌حال، اعتبار پیش‌بینی‌ها باید با آزمایش و ارزیابی فنی تأیید شود.
تسریع طراحی محصول با بررسی فضای طراحی
در طراحی محصول نیز تعداد گزینه‌های بالقوه بسیار بیشتر از گزینه‌هایی است که می‌توان در عمل بررسی کرد. نمونه‌سازی سریع و شبیه‌سازی مهندسی به کاهش زمان و هزینه توسعه کمک کرده‌اند، اما ساخت مدل مجازی، اجرای شبیه‌سازی و ارزیابی نتایج همچنان به منابع محاسباتی و زمان نیاز دارد.
یادگیری ماشین می‌تواند با استفاده از داده‌های شبیه‌سازی و عملکرد طرح‌های قبلی، گزینه‌های طراحی جدیدی تولید کند یا پیش‌بینی اولیه‌ای از رفتار آن‌ها ارائه دهد. به این ترتیب، مهندسان می‌توانند بخش بزرگ‌تری از فضای طراحی را بررسی کنند، بدون آنکه لازم باشد هر گزینه از ابتدا و با یک فرایند کامل شبیه‌سازی ارزیابی شود.
ابزار Design Copilot شرکت Neural Concept با هدف تسریع این فرایند توسعه یافته است. این ابزار از مدل‌های مولدی که با داده‌های شبیه‌سازی آموزش دیده‌اند، برای تولید هندسه‌های جدید استفاده می‌کند. مهندسان می‌توانند محدودیت‌های طراحی را با زبان طبیعی یا از طریق انتخاب اجزای طراحی مشخص کنند و سیستم گزینه‌های متعددی برای بررسی پیشنهاد دهد.
نتایج فرایند طراحی یک برد مدار چاپی (PCB) با استفاده از پلتفرم Neural Concept.
پیِر باکه (Pierre Baqué)، بنیان‌گذار Neural Concept، توضیح می‌دهد که در طراحی یک برد مدار چاپی، مهندس باید محدودیت‌های هندسی، خنک‌کاری، تاب‌برداشتن و عوامل دیگر را در نظر بگیرد. در رویکرد متداول، طراح بر تجربه و شهود خود تکیه می‌کند و طرح را بارها اصلاح می‌کند؛ در مقابل، هوش مصنوعی می‌تواند تعداد زیادی گزینه تولید کند تا فرایند ارزیابی و اصلاح از میان آن‌ها ادامه یابد.
طراحی مقاوم در برابر تغییرات
یکی از کاربردهای مهم این رویکرد، طراحی مقاوم (Robust Design) است؛ یعنی انتخاب طرحی که عملکرد آن در برابر تغییرات محتمل ورودی‌ها و شرایط کار، افت کمتری داشته باشد. این تغییرات ممکن است ناشی از دما، تغییر خواص مواد یا تفاوت‌های ابعادی قطعه تولیدشده با هندسه اسمی طراحی باشند.
برای مثال، در یک قطعه پلیمری، تغییر دما می‌تواند خواص ماده را تغییر دهد و تغییرات ناشی از قالب‌گیری تزریقی نیز ممکن است بر هندسه نهایی اثر بگذارد. با بررسی چندین حالت در شبیه‌سازی، می‌توان طرح‌هایی را شناسایی کرد که در برابر این تغییرات حساسیت کمتری دارند. سپس گزینه‌های منتخب باید با توجه به الزامات عملکردی و شرایط واقعی تولید ارزیابی شوند.
باکه تأکید می‌کند که اگر شکل واقعی یک قطعه اندکی با شکل اسمی آن تفاوت داشته باشد، مهندس باید بتواند تأثیر این تفاوت را بر عملکرد قطعه ارزیابی کند. چنین قابلیتی در طراحی قطعات پلیمری اهمیت دارد؛ زیرا تغییرات ابعادی و خواص مواد می‌توانند بر عملکرد نهایی محصول اثر بگذارند.
Design Copilot با ابزارهای طراحی و مدل‌سازی مهندسی یکپارچه می‌شود و امکان استفاده از داده‌های منابع مختلف را در فرایند طراحی فراهم می‌کند. ارزش این رویکرد برای صنعت پلیمر، تسهیل بررسی گزینه‌های طراحی و ارزیابی حساسیت عملکرد محصول در برابر تغییرات مواد و فرایند تولید است.
از فناوری تا تغییر در فرایندهای سازمانی
استفاده از ابزارهای هوش مصنوعی در محیط مهندسی فقط به توسعه الگوریتم یا نصب نرم‌افزار محدود نیست. شرکت‌ها باید بتوانند داده‌های موجود را آماده کنند، محدودیت‌های مسئله را تعریف کنند و نتایج مدل را در تصمیم‌گیری‌های واقعی به کار بگیرند. سهولت استفاده از رابط گرافیکی می‌تواند پذیرش ابزار را آسان‌تر کند، اما به‌تنهایی تضمین‌کننده ایجاد ارزش عملی نیست. برای شرکت‌های فعال در صنعت پلیمر، انتخاب کاربرد مناسب هوش مصنوعی باید از یک مسئله واقعی کسب‌وکار یا مهندسی آغاز شود. خدمات مشاوره تخصصی PolymerIQ می‌تواند نقطه شروعی برای بررسی فرصت‌های تحول دیجیتال، تحلیل داده و انتخاب مسیر اجرایی متناسب با نیازهای صنعتی باشد.
در یک نظرسنجی از مشتریان Citrine، زمان متوسط گزارش‌شده برای بارگذاری داده‌ها و اجرای نخستین مدل ۶.۵ روز بود. همچنین، نخستین دستاورد فنی به‌طور میانگین پس از ۲۵ هفته حاصل شد. این ارقام به تجربه گزارش‌شده در آن نظرسنجی مربوط هستند و نباید به‌عنوان زمان‌بندی قطعی برای تمام شرکت‌ها یا پروژه‌ها تفسیر شوند.
این فناوری‌ها می‌توانند بخشی از وظایف دستی و تکراری مهندسی را کاهش دهند و فرصت بیشتری برای تمرکز بر تحلیل مسئله، ارزیابی نتایج و تصمیم‌گیری فراهم کنند. بااین‌حال، پیامدهای آن‌ها برای ساختار نیروی کار و مسیر رشد مهندسان هنوز به‌طور کامل مشخص نیست.
باکه پیش‌بینی می‌کند که نرم‌افزارهای مهندسی در سال‌های آینده تغییرات چشمگیری را تجربه کنند و هوش مصنوعی به مهندسان امکان دهد از وظایف دستی و سطح پایین‌تر به فعالیت‌های تحلیلی و تصمیم‌گیری پیشرفته‌تر حرکت کنند. در عین حال، خودکار شدن برخی وظایف اولیه می‌تواند فرصت‌های کسب تجربه برای مهندسان تازه‌کار را کاهش دهد و نیاز به بازنگری در آموزش و پرورش استعدادهای مهندسی را افزایش دهد.
بنابراین، پیاده‌سازی موفق هوش مصنوعی به برنامه‌ریزی سازمانی نیز نیاز دارد. شرکت‌ها باید علاوه بر انتخاب فناوری مناسب، به کیفیت داده‌ها، آموزش کارکنان، نحوه اعتبارسنجی نتایج و چگونگی انتقال تجربه میان نسل‌های مختلف مهندسان توجه کنند.
جمع‌بندی: هوش مصنوعی به‌عنوان ابزار تصمیم‌یار مهندسی
هوش مصنوعی و یادگیری ماشین می‌توانند فرایندهای مهندسی پلیمر را در چند حوزه تسریع کنند: شناسایی ساختارهای پلیمری جدید، بهینه‌سازی فرمولاسیون کامپاند، انتخاب گزینه‌های مناسب برای بازیافت شیمیایی و بررسی سریع‌تر طرح‌های محصول. وجه مشترک این کاربردها، توانایی بررسی گزینه‌های بیشتر و اولویت‌بندی مواردی است که ارزش بررسی تجربی یا شبیه‌سازی دقیق‌تر را دارند.
بااین‌حال، عملکرد این ابزارها به کیفیت و تناسب داده‌ها، دانش تخصصی واردشده به مدل و نحوه تعریف محدودیت‌های مسئله وابسته است. مدل‌های مبتنی بر اصول فیزیکی می‌توانند به کاهش گزینه‌های نامعقول کمک کنند، اما جایگزین اعتبارسنجی علمی، آزمون‌های فیزیکی و قضاوت مهندسی نیستند.
برای شرکت‌های فعال در صنعت پلاستیک، مسیر عملی استفاده از این فناوری‌ها با تعریف یک مسئله مشخص آغاز می‌شود؛ برای مثال، کاهش تعداد آزمایش‌های فرمولاسیون، پیش‌بینی یک خاصیت یا شناسایی پارامترهای مؤثر بر کیفیت محصول. سپس باید داده‌های موجود ارزیابی شوند، مدل مناسب انتخاب شود و نتایج پیش‌بینی با داده‌های واقعی مقایسه شوند. برای توسعه مهارت‌های لازم در این مسیر، آشنایی با مبانی هوش مصنوعی، تحلیل داده و کاربرد آن‌ها در مسائل صنعتی اهمیت دارد. می‌توانید بخش دوره‌های آموزشی PolymerIQ را برای آشنایی با محتوای آموزشی مرتبط بررسی کنید.
در این چارچوب، هوش مصنوعی نه جایگزین مهندس پلیمر، بلکه ابزاری برای تقویت توان تحلیل اوست؛ ابزاری که می‌تواند زمان و منابع را به سمت گزینه‌های امیدوارکننده هدایت کند و فرایند توسعه مواد و محصولات را هدفمندتر سازد.
منبع: Artificial Intelligence Approaches Expedite Engineering Workflows، Plastics Technology.
