← أحدث الأبحاث
⚡ الهندسة الكهربائية

AI-Assisted Design Optimization of Modular Robotic Arm Structures Using Genetic- Algorithm-Trained Neural Surrogates

تقدم هذه الورقة إطار عمل لتحسين التصميم بكفاءة حوسبية للأذرع الروبوتية المعيارية، يستخدم نموذجاً بديلاً لشبكة عصبية مدربة خوارزمياً جينياً لاستبدال تحليلات العناصر المحدودة المكلفة، محققاً بنجاح تقليلاً في الكتلة بنسبة 19.9% مع استيفاء جميع القيود الهيكلية بعدد أقل بكثير من التقييمات عالية الدقة.

المؤلفون الأصليون: Timileyin Opeyemi Akande

نُشر 2026-10-27
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Timileyin Opeyemi Akande

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

لم تعد الروبوتات التي تتحرك ببراعة ذراع الإنسان مقتصرة على الخيال العلمي؛ بل أصبحت أدوات أساسية في المصانع الحديثة وبيئات الخدمة. ولجعل هذه الآلات فعالة، غالبًا ما يقوم المهندسون ببنائها من أجزاء قابلة للتبديل، مثل مجموعة من قطع البناء عالية التقنية. يتيح هذا النهج التركيبي (النمطي) للروبوت الواحد إمكانية إعادة تكوينه لمهام مختلفة دون الحاجة إلى تصميم جديد تمامًا. ومع ذلك، هناك تحدٍ هندسي مستمر: في كل مرة يتم فيها إضافة وحدة جديدة أو تغيير المهمة، يجب أن تكون الأجزاء قوية بما يكفي لتحمل الوزن دون انحناء كبير، وفي الوقت نفسه خفيفة بما يكفي للتحرك بسرعة. تقليديًا، كان تحديد الحجم والمادة المثاليين لهذه الأجزاء عملية بطيئة ومكلفة؛ حيث كان المهندسون يستخدمون محاكاة حاسوبية قوية لاختبار آلاف التصاميم المحتملة، والتحقق من الإجهاد والاهتزاز، ليكتشفوا في النهاية أن الخيارات الأكثر واعدة كانت إما ثقيلة جدًا أو ضعيفة للغاية. وتستهلك دورة "التجربة والخطأ" هذه كميات هائلة من قدرة الحوسبة والوقت، مما يجبر المصممين غالبًا على القبول بحلول "جيدة بما يكفي" بدلاً من الحلول الأفضل الممكنة.

وقد طور باحث في جامعة أبيولا أجيموبي التقنية في نيجيريا طريقة جديدة لتسريع هذه العملية، مما يجعل من الممكن العثور على تصاميم متفوقة بسرعة أكبر بكثير. فقد أنشأ نظامًا يجمع بين برنامج حاسوبي ذكي ونسخة مبسطة من ذراع روبوت لتعلم قواعد القوة الهيكلية. وبدلاً من تشغيل محاكاة ثقيلة ومستهلكة للوقت لكل فكرة تصميم، قام الباحث أولاً بتعليم نموذج حاسوبي كيفية التعرف على الأنماط. فقد أنتج مكتبة ضخمة تضم 1500 تكوين مختلف للذراع، واختبر كل منها باستخدام نموذج فيزيائي دقيق لمعرفة وزنها، ومدى انحنائها تحت الحمل، واهتزازها. استُخدمت هذه البيانات لتدريب نظام ذكاء اصطناعي، وهو بمثابة "دماغ رقمي"، للتنبؤ بأداء التصاميم الجديدة فورًا. وبمج-بمج تدريب هذا النموذج "البديل"، تم دمجه في خوارزمية بحث تطورية، وهي طريقة تحاكي الانتقاء الطبيعي لتطوير تصاميم أفضل فأفضل عبر أجيال عديدة.

طبق الباحث هذه الطريقة على ذراع روبوت مكونة من جزأين، مع التركيز على القسم الممتد من الكتف إلى المرفق ومن المرفق إلى المعصم. وقد طلب من النظام إيجاد التوازن المثالي بين جعل الذراع خفيفة الوزن قدر الإمكان والحفاظ على صلابتها بما يكفي لحمل حمولة دون ترهل. كان على النظام الاختيار من بين ثلاثة مواد مختلفة لكل جزء: سبيكة ألومنيوم شائعة، وسبيكة تيتانيوم قوية، ومركب ألياف كربون خفيف الوزن. كما كان عليه تحديد السمك والقطر الدقيقين للأنابيب التي تشكل الذراع. وكان الهدف هو استيفاء قواعد السلامة الصارمة المتعلقة بالإجهاد والاهتزاز مع تقليل الوزن إلى أدنى حد. وأظهرت النت la أن الذكاء الاصطناعي تعلم فيزياء الذراع بشكل ملحوظ، حيث تنبأ بسلوك التصاميم الجديدة بدقة تماثل المحاكاة الثقيلة تمامًا. وعندما بحث النظام عن أفضل التصاميم، وجد حلولاً متطابقة تقريبًا مع تلك التي يتم العثور عليها بالطريقة التقليدية البطيئة، لكنه فعل ذلك من خلال إجراء جزء ضئيل فقط من الحسابات الثقيلة الفعلية.

وكان الاكتشاف الأهم هو أن النهج الجديد يمكنه تقليل وزن ذراع الروبوت بنسبة تقارب 20 بالمائة مقارنة بالتصميم القياسي الأساسي، مع الاستمرار في تلبية جميع متطلبات السلامة. اختار النظام باستمرار مركب ألياف الكربون للوحدات، وهو مادة معروفة بنسبة قوتها إلى وزنها العالية، وقام بتحسين أبعاد الأنابيب لتكون سميكة بما يكفي للأمان فقط دون زيادة. ولضمان موثوقية تنبؤات الحاسوب، قام الباحث بأخذ أفضل التصاميم التي اقترحها النظام وتشغيلها عبر المحاكاة الفيزيائية الأصلية والثقيلة لمرة أخيرة. ووجد أن 98.8 بالمائة من التصاميم ظلت صالحة، مما يثبت أن الطريقة السريعة المدفوعة بالذكاء الاصطناعي لم تضحِّ بالدقة في سبيل السرعة. يوضح هذا النهج أنه من خلال تعليم الكمبيوتر التعلم من مجموعة محدودة من الأمثلة، يمكن للمهندسين استكشاف نطاق أوسع بكثير من الاحتمالات والعثور على أذرع روبوتية أخف وأكثر كفاءة دون الانتظار لأسابيع حتى تنتهي عمليات المحاكاة الحاسوبية.

كما كشفت الدراسة عن العوامل الأكثر أهمية في التصميم؛ حيث كان سمك الأنبوب الأول، الأقرب إلى الكتف، هو المحرك الرئيسي لوزن الذراع الإجمالي، بينما كان قطر الأنبوب الثاني، القريب من المعصم، له التأثير الأكبر على اهتزاز الذراع. تساعد هذه الرؤية المهندسين على فهم أين ينبغي تركيز جهودهم عند تعديل التصميم. وبينما استخدم النموذج الحالي تمثيلاً مبسطًا للذراع يعمل بشكل جيد مع الأنابيب الطويلة والنحيفة، يقر الباحث بأن العمل المستقبلي سيحتاج إلى مراعاة تفاصيل أكثر تعقيدًا، مثل نقاط الإجهاد حيث تتصل الوحدات المختلفة ببعضها البعض. ومع ذلك، فإن نجاح هذه الطريقة يقدم مسارًا واضحًا للمضي قدمًا في تصميم الجيل القادم من الروبوتات النمطية. فمن خلال استبدال عقبة المحاكاة الحاسوبية اللامتناهية بتقدير تقريبي سريع ومتعلم، يمكن للمهندسين الآن تكرار التصاميم بسرعة وحرية لم تكن ممكنة من قبل، مما يؤدي إلى روبوتات ليست فقط أكثر قدرة، بل أيضًا أكثر كفاءة في استهلاك الطاقة وأسهل في الحركة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚡ eess →