ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ

Анотація

Штучний інтелект (ШІ) стає трансформаційним каталізатором, який відкриває нові горизонти для оптимізації та вдосконалення традиційних галузей, таких як ливарне виробництво, а також для розвитку інноваційних напрямів, зокрема проєктування метаматеріалів. Цей огляд присвячений аналізу ключових методів та застосувань ШІ у цих сферах, висвітленню його потенціалу для підвищення якості продукції, скорочення витрат і прискорення інноваційних циклів.

У ливарному виробництві ШІ забезпечує значне покращення на всіх етапах життєвого циклу продукту. Системи машинного навчання та глибокого навчання дозволяють прогнозувати дефекти виливків (як-от пористість, усадка, тріщини) на основі аналізу історичних даних і параметрів процесу. Це дає можливість оперативно коригувати виробничі умови та запобігати браку продукції. ШІ має значний потенціал для оптимізації параметрів ливарного процесу та покращенні якості лиття. Застосування комп’ютерного зору та глибокого навчання трансформує автоматичний контроль якості, швидке виявлення дефектів у реальному часі. Інтеграція ШІ з 3D-друком дозволяє оптимізувати проєктування ливарних технологій, форм
та моделей, створюючи цифрові двійники, що прискорюють етапи розробки і тестування. У статті наведено приклад застосування ШІ в промисловості, зокрема дослідженням компанії Sarginsons Industries, яка завдяки ШІ зменшила вагу автомобільних виливків майже вдвічі. ШІ також є інструментом для оптимізації життєвого циклу виливків (LCA), сприяючи ресурсозбереженню та принципам циркулярної економіки. У сфері проєктування метаматеріалів ШІ революціонізує традиційний підхід, переходячи до інверсного дизайну. Генеративні моделі, такі як GANs та VAEs, дозволяють генерувати абсолютно нові топології з унікальними властивостями, що відповідають бажаним функціональним характеристикам. Представлено методику проєктування метаматеріалів на основі графових нейронних мереж, що дозволяє швидко створювати структури із заданими властивостями та оптимізувати їх через ітеративне навчання. Зокрема, розглянуто потенціал сференових структур для розробки функціонально-оптимізованих ливарних моделей для процесу лиття за газифікованими моделями (ЛГМ), що сприятиме керованій термодеструкції та ефективному видаленню газів, покращуючи якість металевих виливків. Згорткові нейронні мережі (CNNs) ефективно використовуються для прогнозування властивостей метаматеріалів, а інтеграція ШІ з алгоритмами топологічної оптимізації дозволяє знаходити їх оптимальні структури. Окремий аспект стосується ролі ШІ у винахідництві. Системи ШІ вже здатні генерувати нові та оригінальні рішення, що можуть бути визнані патентоспроможними, як це демонструє прецедент із системою DABUS. Це відкриває нові етапи у розвитку інтелектуальної власності, де ШІ виступає не просто помічником, а повноцінним учасником процесу. Незважаючи на значні переваги, впровадження ШІ стикається з викликами, такими як потреба у великих обсягах високоякісних даних, інтерпретація моделей «чорної скриньки» та значні обчислювальні ресурси. Однак перспективи є надзвичайно широкими, включаючи розробку гібридних моделей (physics-informed AI), створення цифрових двійників та повну інтеграцію ШІ у концепцію «розумного виробництва» (Industry 4.0). Таким чином, ШІ є не просто інструментом автоматизації, а рушієм науково-технологічної трансформації, що посилює людський інтелект, дозволяючи зосередитися на творчості, стратегічних рішеннях, створенні досконаліших продуктів та сталому розвитку.