درباره این دوره
هوش مصنوعی (AI) در سال‌های اخیر به عنوان یک ابزار قدرتمند در مهندسی مکانیک مطرح شده است. یکی از مهم‌ترین کاربردهای AI در این رشته، بهینه‌سازی سیستم‌ها و فرآیندهای مهندسی است. با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری ماشین، مهندسان مکانیک می‌توانند عملکرد سیستم‌های پیچیده را بهبود بخشند و تصمیم‌گیری‌های دقیق‌تری داشته باشند.
شبکه‌های عصبی به دلیل توانایی یادگیری و مدل‌سازی روابط غیرخطی بین داده‌ها، به عنوان ابزاری موثر در تحلیل و پیش‌بینی رفتار سیستم‌ها شناخته می‌شوند. این تکنیک‌ها در بهینه‌سازی طراحی قطعات، کنترل فرآیندهای تولید و تشخیص عیوب کاربرد گسترده‌ای دارند. به عنوان مثال، شبکه‌های عصبی قادرند تنش‌ها و تغییر شکل‌های قطعات را تحت شرایط مختلف بارگذاری پیش‌بینی کنند و به مهندسان کمک کنند تا طراحی‌های بهینه‌تر و مقاوم‌تری ارائه دهند.
علاوه بر این، یادگیری ماشین امکان تحلیل داده‌های بزرگ و استخراج الگوهای پنهان را فراهم می‌کند. این ویژگی به مهندسان کمک می‌کند تا از داده‌های جمع‌آوری شده در طول عملیات، برای پیش‌بینی خرابی‌ها، بهبود نگهداری و کاهش هزینه‌ها استفاده کنند. همچنین الگوریتم‌های یادگیری تقویتی به کنترل خودکار سیستم‌ها کمک کرده و کارایی را افزایش می‌دهند.
در نهایت، استفاده از هوش مصنوعی باعث افزایش سرعت طراحی، کاهش خطاهای انسانی و بهبود کیفیت محصولات در مهندسی مکانیک می‌شود. این فناوری‌ها همچنان در حال پیشرفت بوده و نوید آینده‌ای هوشمندتر و کارآمدتر را در این حوزه می‌دهند.
بخش اول: طراحی و شبیه‌سازی سیستم‌های مکانیکی
در این بخش، با کاربرد نرم‌افزارهای مهندسی و مفاهیم فیزیکی برای طراحی و شبیه‌سازی سیستم‌های پیچیده آشنا می‌شوید:
طراحی و شبیه‌سازی سیستم خودروی الکتریکی (EV – Electric Vehicle)
تحلیل و شبیه‌سازی سیستم‌های تهویه مطبوع (HVAC – Heating, Ventilation and Air Conditioning)
طراحی مبدل‌های حرارتی و شبیه‌سازی عملکرد آن‌ها (Heat Exchangers)
مدل‌سازی سیستم‌های سرمایشی (Refrigeration Systems)
طراحی سیستم سرمایش کابین هلیکوپتر (Helicopter Cabin Cooling)
شبیه‌سازی سیستم مدیریت حرارتی خودروهای برقی (EV Thermal Management)
طراحی سیستم مدیریت حرارتی باتری‌های لیتیوم-یونی (BTMS – Battery Thermal Management System)
شبیه‌سازی پدیده فرار حرارتی در باتری‌ها (Thermal Runaway)
