چکیده مقاله
هوش مصنوعی، به ویژه یادگیری عمیق در حال دگرگونی حوزه های جوشکاری و آزمون های غیر مخرب است این مرور نظام مند با تحلیل ۸۵ مقاله شاخص ۲۰۲۴ ۲۰۱۸ کاربردهای هوش مصنوعی در بهینه سازی و بازرسی جوش را بررسی می کند یافته ها نشان می دهد شبکه های عصبی کانولوشنی CNN با دقتی بیش از ۹۷ قادر به شناسایی عیوبی مانند ترک و حفره از تصاویر رادیوگرافی هستند و از نظر سرعت به طور چشمگیری از روش های دستی پیشی می گیرند در بازرسی مبتنی بر سیگنال، اولتراسونیک، جریان گردابی، شبکه های حافظه بلندمدت کوتاه LSTM دقت تشخیص عیوب زیرسطحی را تا ۹۵ افزایش می دهند در بهینه سازی فرآیند، مدل های ترکیبی شبکه عصبی مصنوعی ANN و یادگیری تقویتی با پیش بینی پارامترها و کنترل بلادرنگ عیوب جوش را تا ۳۵٪ کاهش و مصرف انرژی را تا ۲۰٪ کم می کنند یکپارچه سازی هوش مصنوعی، نظارت خودکار و بلادرنگ بر کیفیت را ممکن ساخته، خطای انسانی را به حداقل رسانده و قابلیت نگهداری پیش بینانه را فراهم می کند با این حال چالش های مهمی از جمله نیاز به داده های برچسب دار انبوه، ماهیت جعبه سیاه مدل های پیچیده تفسیرپذیری و هزینه بالای ادغام با سیستم های صنعتی موجود پابرجاست پژوهش های آتی باید بر یادگیری با داده کم، مدل های سبک وزن برای پردازش لبه و ایجاد پایگاه های داده استاندارد مشترک متمرکز شوند در نهایت، تلفیق هوش مصنوعی با دوقلوهای دیجیتال و رباتیک راه را برای تحقق سیستم های جوش کاملا خودکار و هوشمند در چارچوب انقلاب صنعتی چهارم هموار می کند
کلیدواژهها
نویسندگان
شیوه ارجاع
�ظیم وندا، علی اصغر،1404،مروری بر پیش بینی و شناسایی هوشمند عیوب جوش با استفاده از یادگیری عمیق: گذر از بازرسی سنتی به سیستم های خودکار مبتنی بر داده،هشتمین کنفرانس بین المللی جوشکاری و آزمایش های غیرمخرب، بیست و ششمین کنفرانس ملی جوش و بازرسی، پانزدهمین کنفرانس ملی آزمایش های غیرمخرب و چهارمین کنفرانس ملی ساخت افزایشی،تهران
ارائهشده در
مجموعه مقالات هشتمین کنفرانس بین المللی جوشکاری و آزمایش های غیرمخرب، بیست و ششمین کنفرانس ملی جوش و بازرسی، پانزدهمین کنفرانس ملی آزمایش های غیرمخرب و چهارمین کنفرانس ملی ساخت افزایشی20 بهمن 1404 · تهران