⚡ electrical engineering

AI-Driven Multi-Objective Aerodynamic Shape Optimization for Future High-Speed Aircraft

تقترح هذه الورقة إطار عمل مدفوعاً بالذكاء الاصطناعي يدمج محاكاة ديناميكا السوائل الحسابية (CFD)، والنمذجة البديلة القائمة على التعلم الآلي، والتعلم المستند إلى الفيزياء، لتمكين التحسين السريع وفعال التكلفة للأشكال الديناميكية الهوائية متعددة الأهداف لطائرات المستقبل عالية السرعة.

المؤلفون الأصليون: Md Tanvir Ahamed Towfiq, MD AZIZUL HAKIM ABIR, BONDHON PAUL, RAFIUR RAHMAN, BULBUL HASAN REFAT, SAIFULLAH KHALEED

نُشر 2026-08-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Md Tanvir Ahamed Towfiq, MD AZIZUL HAKIM ABIR, BONDHON PAUL, RAFIUR RAHMAN, BULBUL HASAN REFAT, SAIFULLAH KHALEED

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تصميم سيارة سباق مثالية، ولكن بدلاً من استخدام نفق هوائي، يتعين عليك بناء نموذج مصغر ومثالي للسيارة، ووضعه في نفق هوائي ضخم وباهظ الثمن، وتشغيله لساعات فقط لترى ما إذا كانت سريعة بما يكفي. الآن، تخيل أنك تريد تعديل شكل مصد السيارة بمقدار مليمتر واحد، ولكي ترى ما إذا كان ذلك سيساعد، يتعين عليك بناء نموذج جديد وتشغيله في النفق مرة أخرى. إذا أردت العثور على أفضل شكل على الإطلاق، فقد تضطر إلى القيام بذلك آلاف المرات. هذا هو بالضبط ما يواجهه المهندسون عند تصميم الطائات عالية السرعة. إنهم يستخدمون برامج حاسوبية قوية تسمى ديناميكا السوائل الحسابية (CFD) لمحاكاة كيفية اندفاع الهواء فوق الطائرة. هذه المحاكاة تشبه الأنفاق الهوائية الرقمية؛ فهي دقيقة للغاية ولكنها تستغرق وقتاً هائلاً وقوة حاسوبية كبيرة لتشغيلها. الأمر يشبه محاولة حل لغز ضخم عن طريق تجربة كل قطعة في مكان مختلف، واحدة تلو الأخرى، وهو ما قد يستغرق وقتاً طويلاً جداً.

ولتسريع العملية، بدأ العلماء في استخدام الذكاء الاصطناعي (AI) للمساعدة. فكر في الذكاء الاصطناعي كطالب ذكي للغاية يراقب اختبارات النفق الهوائي المكلفة، ويتعلم الأنماط، ثم يبدأ في تخمين النتائج للتصاميم الجديدة دون الحاجة إلى بناء نموذج جديد في كل مرة. ومع ذلك، هناك عقبة: إذا تعلم طالب الذكاء الاصطناعي من الاختبارات المحددة التي رآها فقط، فقد يقدم تخمينات جامحة وغير ممكنة عندما يُسأل عن شكل جديد لم يره من قبل. قد يتوقع طائرة تطير للخلف أو تولد قوة رفع أكثر مما تسمح به الفيزياء. وهنا يأتي دور "التعلم المستند إلى الفيزياء" (Physics-Informed learning). الأمر يشبه إعطاء ذلك الطالب كتاباً مدرسياً لقوانين الفيزياء (مثل الجاذبية وكيفية حركة الهواء) وإخباره: "يمكنك التخمين، لكن يجب أن تتبع تخميناتك القواعد الموجودة في هذا الكتاب". هذا يضمن أن الذكاء الاصطناعي لا يقوم بمجرد حفظ الإجابات، بل يفهم بالفعل كيف يعمل العالم.

هذه الورقة البحثية، التي تحمل عنوان "تحسين الشكل الديناميكي الهوائي متعدد الأهداف المدفوع بالذكاء الاصطناعي للطائرات المستقبلية عالية السرعة"، تقترح طريقة جديدة لتصميم هذه الطائرات عالية السرعة من خلال الجمع بين أفضل ما في العالمين: دقة النفق الهوائي الرقمي (CFD) وسرعة طالب الذكاء الاصطناعي، مع الحفاظ على أمانة الذكاء الاصطناعي تجاه قوانين الفيزياء. لقد طور الباحثون، بقيادة محمد تنوير أحمد توفيق وزملائه من جامعة نانتونغ، إطار عمل لا يحاول فقط جعل الطائرة أسرع؛ بل يحاول جعلها أفضل في كل شيء في آن واحد. لقد أرادوا إيجاد شكل يقلل من السحب (مقاومة الهواء)، ويزيد من الرفع (القوة التي تبقي الطائرة في الأعلى)، ويحسن نسبة الرفع إلى السحب (الكفاءة الإجمالية) جميعها في وقت واحد.

أنشأ الفريق سير عمل يبدأ بتوليد العديد من أشكال الطائرات المختلفة باستخدام قواعد رياضية. ثم أجروا عدداً محدوداً من عمليات المحاكاة الحاسوبية المكلفة (CFD) على هذه الأشكال لإنشاء "مجموعة بيانات تدريبية". ثم أدخلوا هذه البيانات في نوع خاص من الذكاء الاصطناعي يسمى الشبكة العصبية المستندة إلى الفيزياء (PINN). وعلى عكس الذكاء الاصطناعي القياسي، تمت برمجة هذه الشبكة (PINN) لـ "تعرف" المعادلات التي تحكم تدفق الهواء، مما يضمن أنه حتى عندما تتنبأ بأداء شكل جديد تماماً، فإن النتيجة ستكون منطقية من الناحية الفيزيائية. بمجرد تدريب الذكاء الاصطناعي، عمل كـ "نموذج بديل" (surrogate model)؛ وهو بديل سريع ورخيص للنفق الهوائي البطيء والمكلف. ثم استخدم الباحثون خوارزمية تحسين لسؤال الذكاء الاصطناعي عن إيجاد الشكل المثالي الذي يوازن بين الأهداف الثلاثة (سحب أقل، رفع أكثر، وكفاءة أفضل).

تشير نتائج عمليات المحاكاة التي أجروها إلى أن هذا النهج يعمل بشكل جيد للغاية. فقد تمكن نموذج الذكاء الاصطناعي من التنبؤ بالأداء الديناميكي الهوائي بدقة عالية، مطابقةً نتائج عمليات المحاكاة الحاسوبية المكلفة، ولكن مع القيام بذلك بشكل فوري تقريباً. وعندما استخدموا الذكاء الاصطناعي للعثور على أفضل تصميم، أظهرت الطائرة المحسنة تحسينات في الكفاءة الديناميكية الهوائية مقارنة بالتصميم الأصلي. تسلط الدراسة الضوء على أن هذه الطريقة تقلل بشكل كبير من الوقت وقوة الحاسوب اللازمين لتصميم الطائرات المستقبلية عالية السرعة. ومن خلال دمج الفيزياء مباشرة في الذكاء الاصطناعي، يرى الباحثون أن التنبؤات أكثر موثوقية وأقل عرضة لإنتاج نتائج "سحرية" تخالف قوانين الطبيعة. وبينما تشير الورقة إلى أن هذه النتائج تأتي من عمليات محاكاة حاسوبية وليس من اختبارات نفق هوائي فيزيائي أو اختبارات طيران، إلا أنها تقترح أن هذا الإطار يوفر مساراً قابلاً للتوسع وذكياً نحو تصميم الجيل القادم من الطائرات عالية السرعة، مما قد يقلل دورات التصميم ويساعد المهندسين على إنشاء طائرات أسرع، وأكثر كفاءة، وأكثر استقراراً.

ملخص تقني: تحسين الشكل الديناميكي الهوائي متعدد الأهداف مدعوم بالذكاء الاصطناٍ لمركبات الطيران المستقبلية عالية السرعة

1. بيان المشكلة

تواجه عملية تصميم الجيل القادم من الطائرات عالية السرعة التي تعمل في الأنظمة الانتقالية (transonic) وفوق الصوتية (supersonic) تحديات كبيرة بسبب الظواções الديناميكية الهوائية المعقدة، بما في ذلك تفاعلات موجات الصدمة، وانفصال الطبقة الحدودية، وتغيرات الضغط غير الخطية. تعتمد منهجيات التصميم التقليدية بشكل كبير على محاكاة ديناميكا الموائع الحسابية (CFD) واختبارات نفق الرياح. وبينما توفر محاكاة CFD عالية الدقة تنبؤات دقيقة لمجالات التدفق والقوى الديناميكية الهوائية، إلا أنها مكلفة حاسوبياً وتستغرق وقتاً طويلاً، لا سيما عندما يتطلب الأمر آلاف التقييمات التصميمية.

غالباً ما تواجه تقنيات التحسين التقليدية، مثل الطرق القائمة على التدرج (gradient-based methods)، صعوبة في التعامل مع المسائل غير الخطية للغاية ومتعددة الأهداف، وقد تقع في فخ الحلول المثلى المحلية (local optima). أما الخوارزميات التطورية فتتميز بقدرات بحث عالمية، لكنها تتطلب عدداً مفرطاً من تقييمات CFD، مما يزيد من التكاليف الحسابية. علاوة على على ذلك، فإن العديد من نماذج الذكاء الاصطنازي الحالية تعمل كـ "نماذج صندوق أسود" تفتقر إلى الاتساق الفيزيائي، مما قد يؤدي إلى تنبؤات غير واقعية عند تطبيقها على تكوينات خارج نطاق تدريبها. وهناك حاجة ماسة لإطار عمل يوازن بين الكفاءة الحسابية، ودقة التنبؤ، والالتزام بالقوانين الفيزيائية لتسريع تصميم الطائرات عالية السرعة الفعالة.

2. المنهجية

يقترح البحث إطار عمل متكامل لتحسين الشكل الديناميكي الهوائي يعتمد على الذكاء الاصطنازي، يجمع بين CFD عالية الدقة، والنمذجة البديلة القائمة على تعلم الآلة، والشبكات العصبية المستندة إلى الفيزياء (PINNs)، وخوارزميات التحسين متعددة الأهداف. تمر المنهجية عبر المراحل التالية:

2.1 تمثيل الهندسة (Geometry Parameterization)

يتم تمثيل هندسة الطائرة باستخدام طريقة تحويل الشكل الفئوي (CST)، والتي تسمح بتعديل الأسطح المعقدة بسلاسة باستخدام مجموعة محدودة من متغيرات التصميم. يتضمن متجه التصميم ( $X$ ) معاملات مثل زاوية سحب الجناح ( $\Lambda$ )، نسبة الباع (aspect ratio - $AR$ )، نسبة السماكة ( $t/c$ )، توزيع الانحناء (camber)، انحناء الحافة الأمامية، وهندسة الحافة الخلفية.

2.2 محاكاة CFD عالية الدقة

يتم إنشاء بيئة تدفق قابلة للانضغاط ثلاثية الأبعاد باستخدام معادلات نافير-ستوكس لمتوسط رينولدز (RANS) مع نموذج "سبالارت-ألماراس" للاضطراب. يغطي النطاق الحسابي المناطق العليا، والسفلية، والمجال البعيد. تُجرى المحاكاة تحت ظروف انتقالية وفوق صوتية متنوعة لتوليد مجموعة بيانات للاستجابات الديناميكية الهوائية، بما في ذلك معامل الرفع ( $C_L$ )، ومعامل السحب ( $C_D$ )، ونسبة الرفع إلى السحب ( $L/D$ ).

2.3 النمذجة البديلة بالذكاء الاصطناسي والتكامل الفيزيائي

لتقليل التكاليف الحسابية، يتم تدريب نموذج بديل للتعلم الآلي على مجموعة البيانات الناتجة عن CFD. يتعلم النموذج الربط غير الخطي بين المعاملات الهندسية ( $X$ ) والمخرجات الديناميكية الهوائية ( $Y$ ).

البنية: تستخدم الدراسة الشبكات العصبية العميقة (DNN) وانحدار العملية الغاوسية (GPR) لتقريب الخصائص الديناميكية الهوائية.
التعلم المستند إلى الفيزياء: لضمان الاتساق الفيزيائي وتحسين القدرة على التعميم، يدمج إطار العمل الشبكات العصبية المستندة إلى الفيزياء (PINNs). يدمج هذا النهج معادلات ديناميكا الموائع الحاكمة (حفظ الكتلة، والزخم، والطاقة) في دالة الخسارة (loss function). تُعرف الخسارة الإجمالية كما يلي:
$Loss_{total} = Loss_{data} + \lambda \cdot Loss_{physics}$
حيث تمثل $Loss_{data}$ الخطأ بين نتائج CFD وتنبؤات الذكاء الاصطناسي، بينما تفرض $Loss_{physics}$ الالتزام بالقوانين الفيزيائية.

2.4 التحسين متعدد الأهداف

تتم صياغة مسألة التحسين لتقليل السحب، وتعظيم الرفع، وتعظيم الكفاءة الديناميكية الهوائية ( $L/D$ ) في آن واحد. دالة الهدف هي:
$F(X) = w_1 C_D - w_2 C_L - w_3 (L/D)$
حيث $w_1, w_2, w_3$ هي عوامل الوزن. تُستخدم الخوارزميات التطورية وتقنيات التحسين القائمة على النماذج البديلة للبحث في فضاء التصميم عن التكوينات المثلى مع الالتزام بالقيود الهندسية ( $X_{min} \leq X \leq X_{max}$ ).

2.5 استراتيجية التحقق

يتم التحقق من التصاميم المُحسّنة وتنبؤات الذكاء الاصطناسي مقابل محاكاة CFD عالية الدقة. ويتم تقييم الأداء باستخدام مقاييس إحصائية مثل جذر متوسط مربع الخطأ (RMSE) ومتوسط الخطأ المطلق (MAE) لقياس دقة التنبؤ ومكاسب الكفاءة الحسابية.

3. المساهمات الرئيسية

إطار عمل هجين: تطوير منهجية قابلة للتوسع تدمج بسلاسة بين CFD، والنمذجة البديلة بالذكاء الاصطناسي، والتعلم المستند إلى الفيزياء لتصميم الطائرات عالية السرعة.
الذكاء الاصطناسي المستند إلى الفيزياء: تطبيق تقنية PINNs في التحسين الديناميكي الهوائي، مما يضمن بقاء تنبؤات الذكاء الاصطناسي متسقة مع معادلات ديناميكا الموائع الحاكمة، وبالتالي تعزيز الموثوقية في تطبيقات الطيران الحرجة للسلامة.
القدرة على تعدد الأهداف: استراتيجية تعالج المتطلبات التصميمية المتعارضة (تقليل السحب مقابل تعظيم الرفع) في وقت واحد، متجاوزة بذلك قيود الهدف الواحد الموجودة في الدراسات السابقة.
الكفاءة الحسابية: تقليل كبير في عدد تقييمات CFD المطلوبة من خلال استبدال المحاكاة المتكررة بتنبؤات سريعة للذكاء الاصطناسي أثناء حلقة التحسين.

4. النتائج وتحليل الأداء

تشير الدراسة إلى أن إطار العمل المقترح نجح في تحديد تكوينات ديناميكية هوائية محسنة من خلال تعلم العلاقات غير الخطية بين الهندسة والأداء.

دقة التنبؤ: يُظهر النموذج البديل للذكاء الاصطناسي دقة عالية في التنبؤ بـ $C_L$ و $C_D$ و $L/D$ ، مع قيم RMSE منخفضة عند مقارنتها بمعايير CFD. كما أدى إدراج القيود الفيزيائية إلى تحسين قدرات التعميم.
التحسين الديناميكي الهوائي: تُظهر تكوينات الطائرات المُحسّنة تحسينات ملموسة في الكفاءة الديناميكية الهوائية، وتتميز بتقليل السحب وتعزيز نسب الرفع إلى السحب مقارنة بالتصاميم الأساسية.
المكاسب الحسابية: أدى دمج الذكاء الاصطناسي إلى تقليل الوقت الحسابي المطلوب للتحسين بشكل كبير. فبينما تتطلب الطرق التقليدية آلاف عمليات تشغيل CFD، يسمح النهج القائم على النماذج البديلة بتقييم آلاف المرشحين التصميميين بأقل قدر من العبء الحسابي، والذي يُحدد بنسبة تحسين الكفاءة:
$Efficiency(\%) = (T_{CFD} - T_{AI}) / T_{CFD} \times 100$

5. الأهمية والادعاءات

يزعم البحث أن هذا البحث يمثل خطوة مهمة نحو التصميم الآلي للطيران المدفوع بالبيانات. ومن خلال التغلب على الاختناقات الحسابية للتحسين التقليدي القائم على CFD وعدم الاتساق الفيزيائي للنماذج المعتمدة فقط على البيانات، يوفر إطار العمل المقترح مساراً لتطوير طائرات الجيل القادم عالية السرعة بكفاءة أكبر.

يؤكد المؤلفون أن هذا النهج وثيق الصلة بتطبيقات الطيران المستقبلية حيث يكون التوازن بين الأداء الديناميكي الهوائي، والقيود الهيكلية، وكفاءة الطاقة أمراً بالغ الأهمية. وبينما تركز الدراسة الحالية على الديناميكا الهوائية الخارجية للحالة المستقرة، يُقدم إطار العمل كخطوة تأسيسية نحو أنظمة تحسين متعددة التخصصات (MDO) أكثر شمولاً. ويشير العمل إلى أن مثل هذه الأطر الذكية يمكن أن تقلل دورات التصميم، وتخفض تكاليف التطوير، وتمكن من ابتكار تكوينات طائرات قد تكون بعيدة المنال باستخدام منهجيات التصميم التقليدية.

تختتم الورقة بتواضع، مشيرة إلى أنه رغم إظهار إطار العمل لنتائج واعدة، إلا أن العمل المستقبلي يجب أن يعالج الظواções متعددة التخصصات (مثل المرونة الهوائية وتفاعلات الدفع)، ومحاكاة تدفق أعلى الدقة (LES/DES)، والحاجة إلى التحقق التجريبي من خلال اختبارات نفق الرياح لضمان القابلية للتطبيق الصناعي.