ترجمه فارسی مقاله مدل مولد عمیق برای طراحی پیکربندی سیستم مکانیکی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Deep Generative Model for Mechanical System Configuration Design
عنوان مقاله به فارسی مدل مولد عمیق برای طراحی پیکربندی سیستم مکانیکی
نویسندگان Yasaman Etesam, Hyunmin Cheong, Mohammadmehdi Ataei, Pradeep Kumar Jayaraman
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Artificial Intelligence,Machine Learning,هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 9 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Generative AI has made remarkable progress in addressing various design challenges. One prominent area where generative AI could bring significant value is in engineering design. In particular, selecting an optimal set of components and their interfaces to create a mechanical system that meets design requirements is one of the most challenging and time-consuming tasks for engineers. This configuration design task is inherently challenging due to its categorical nature, multiple design requirements a solution must satisfy, and the reliance on physics simulations for evaluating potential solutions. These characteristics entail solving a combinatorial optimization problem with multiple constraints involving black-box functions. To address this challenge, we propose a deep generative model to predict the optimal combination of components and interfaces for a given design problem. To demonstrate our approach, we solve a gear train synthesis problem by first creating a synthetic dataset using a grammar, a parts catalogue, and a physics simulator. We then train a Transformer using this dataset, named GearFormer, which can not only generate quality solutions on its own, but also augment search methods such as an evolutionary algorithm and Monte Carlo tree search. We show that GearFormer outperforms such search methods on their own in terms of satisfying the specified design requirements with orders of magnitude faster generation time. Additionally, we showcase the benefit of hybrid methods that leverage both GearFormer and search methods, which further improve the quality of the solutions.

چکیده به فارسی (ترجمه ماشینی)

هوش مصنوعی تولیدی پیشرفت چشمگیری در پرداختن به چالش های مختلف طراحی داشته است.یک منطقه برجسته که هوش مصنوعی مولد می تواند ارزش قابل توجهی به همراه داشته باشد ، در طراحی مهندسی است.به طور خاص ، انتخاب مجموعه ای بهینه از مؤلفه ها و رابط های آنها برای ایجاد یک سیستم مکانیکی که نیازهای طراحی را برآورده می کند ، یکی از چالش برانگیزترین و وقت گیر ترین کارها برای مهندسان است.این کار طراحی پیکربندی به دلیل ماهیت طبقه بندی شده ، ذاتاً چالش برانگیز است ، الزامات طراحی چندگانه یک راه حل باید برآورده شود و اعتماد به شبیه سازی فیزیک برای ارزیابی راه حل های بالقوه.این خصوصیات مستلزم حل یک مشکل بهینه سازی ترکیبی با محدودیت های متعدد شامل توابع جعبه سیاه است.برای پرداختن به این چالش ، ما یک مدل تولیدی عمیق را برای پیش بینی ترکیب بهینه اجزای و رابط ها برای یک مشکل طراحی خاص پیشنهاد می کنیم.برای نشان دادن رویکرد خود ، ما با ایجاد یک مجموعه داده مصنوعی با استفاده از گرامر ، کاتالوگ قطعات و یک شبیه ساز فیزیک ، یک مشکل سنتز قطار دنده را حل می کنیم.ما سپس یک ترانسفورماتور را با استفاده از این مجموعه داده با نام GearFormer آموزش می دهیم که نه تنها می تواند راه حل های با کیفیت را به تنهایی ایجاد کند ، بلکه روش های جستجوی را نیز مانند الگوریتم تکاملی و جستجوی درخت مونت کارلو نیز تقویت می کند.ما نشان می دهیم که GearFormer از نظر رضایت از الزامات طراحی مشخص شده با سفارشات با زمان تولید سریعتر از چنین روشهای جستجو به تنهایی بهتر است.علاوه بر این ، ما فواید روشهای ترکیبی را نشان می دهیم که از روش های دنده و روش های جستجو استفاده می کنند ، که باعث بهبود کیفیت راه حل ها می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.