Бул изилдөө, büyük dil модельlerinin yalnızca сандык adaylar üreten birer оптималдаштыруу aracı değil, акыркы элемент analizlerinden gelen yapılandırılmış инженердик bilgilerini yorumlayan санарип дизайнерlar olarak kullanılıp kullanılamayacağını araştırmıştır. İncelenen problem, 90 жүргүнчүлүү bölgesel bir uçağın карбон/эпокси композит канат кутусуnun; kütle, биринчи катмар зыяндануусу, Hoffman сынуу индекси, стрингер gerilmeleri ve бүкүрөйүү sınırları birlikte gözetilerek hafifletilmesidir.

Изилдөөcı, her Nastran analizinin yalnızca максат функциясы ve чектөө değerlerini değil; hangi yapısal bölgelerin kritik olduğunu, hangi tasarım değişkenlerinin bu bölgeleri kontrol ettiğini, bir değişkenin kütle üzerindeki etkisini, эң төмөн бүкүрөйүү modlarının yerini ve inceltilebilecek gevşek bölgeleri açıklayan bir Семантикалык Дизайн Отчёту geliştirmiştir. Claude Sonnet ve Claude Opus модельleri bu raporu okuyarak bir sonraki канат кутусу tasarımını önermiştir. Ardışık ыкмаde her iterasyonda tek, popülasyon ыкмаinde ise on aday бааланган.

En iyi LLM sonucu, Claude Opus колдонулган ardışık ыкмаde 201 акыркы элемент баалооsiyle referans канат кутусу kütlesini yüzde 28,42 azaltmıştır. Genetik algoritma 36.000 баалооyle yüzde 31,23 azalma sağlamıştır. Böylece LLM, генетикалык алгоритмnın normalize edilmiş kütle sonucuna 2,81 yüzde puanı yaklaşırken 179 kat daha az акыркы элемент баалооsi kullanmıştır. Ancak bu oran gerçek изилдөө süresinde, enerji tüketiminde veya parasal maliyette 179 kat kazanç anlamına gelmemektedir; yalnızca акыркы элемент çözümü sayısını karşılaştırmaktadır.

Изилдөө tek bir bölgesel uçak geometrisi, sabit bir kompozit katman dizilimi ve tek bir simetrik оң-g manevrası üzerinde yürütülmüştür. Negatif-g, шамал соккусу, yuvarlanma, yerdeki yükler, flutter, üretim kusurları ve bütün uçak düzeyindeki yakıt-yapı geri beslemesi оптималдаштыруу döngüsüne dahil edilmemiştir. Изилдөө ayrıca рецензиядан өтө элек bir preprinttir.

Изилдөөнүн негизги sorusu nedir?

Klasik yapısal оптималдаштыруу algoritmaları, bir tasarımın акыркы элемент анализиnden çoğunlukla tek bir amaç değeri ve birkaç чектөө değeri alır. Örneğin algoritma канат кутусуnun kütlesini, эң жогорку hasar oranını ve эң төмөн бүкүрөйүү katsayısını görebilir; fakat hasarın hangi panelde ortaya çıktığını, hangi дизайн өзгөрмөсүnin o paneli kontrol ettiğini veya hangi gevşek bölgeden güvenli biçimde malzeme çıkarılabileceğini doğrudan anlayamaz.

Изилдөөnın негизги sorusu şudur: Bir чоң тил модели, her çözümden sonra yapısal mühendislerin kullandığı dile dönüştürülmüş ayrıntılı bir баалоо alırsa, klasik kara kutu оптималдаштырууundan çok daha az analizle uygulanabilir bir канат кутусу tasarımına ulaşabilir mi?

Изилдөөcı bu soruyu üç alt problem üzerinden incelemiştir:

• Sonlu eleman жыйынтыктарı, чоң тил моделиnin anlayabileceği fakat инженердик ayrıntılarını kaybetmeyecek bir rapora nasıl dönüştürülebilir?
• Büyük dil модельi, bir дизайн өзгөрмөсү ile gerilme, катмар hasarı, бүкүрөйүү ve kütle arasındaki ilişkileri kullanarak yeni adaylar önerebilir mi?
• Bu yaklaşım, aynı канат кутусуnu оптималдаштыр eden 36.000 баалооlik генетикалык алгоритмya göre ne kadar az акыркы элемент çözümü kullanır?

Neden yalnızca максат функциясыnu vermek yeterli değildir?

Bir генетикалык алгоритм için “normalize edilmiş kütle 0,75 ve en kötü чектөө 0,98” bilgisi adayların sıralanması için yeterli olabilir. Büyük dil модельi için ise bu iki sayı, tasarımın hangi nedenle başarılı veya başarısız olduğunu açıklamaz. Model yalnızca sayıları değiştirerek ilerlerse физикалык sistemi anlayan bir tasarımcıdan çok, doğal dille çalışan bir mutasyon operatörüne dönüşür.

Изилдөөda geliştirilen yaklaşım, сандык sonucu yapısal nedenlerle eşleştirmektedir. Örneğin rapor, төмөн бүкүрөйүү katsayısının dış kanat derisindeki belirli bir panelden булакlandığını, bu panelin kalınlığını hangi değişkenin yönettiğini ve ilgili değişkende bir kademe artışın normalize edilmiş kütleyi ne kadar yükselteceğini belirtmektedir. Model böylece “genel olarak kalınlaştır” yerine “бүкүрөйүү режимиnun yoğunlaştığı orta açıklık bölgesini bir kademe güçlendir, gevşek uç bölgesinden malzeme çıkar” biçiminde bir karar verebilmektedir.

Семантикалык Дизайн Отчёту nedir?

Семантикалык Дизайн Отчёту, her statik аэроэластикалык ve бүкүрөйүү analizinden sonra otomatik üretilen yapılandırılmış bir инженердик brifingidir. Ana ыкма bölümünde rapor altı blokla tanımlanmıştır:

Изилдөөnın katkılar bölümünde ve жыйынтыктарında raporun ayrıca bölge bazlı anlatılar sunduğu belirtilmektedir. Ek B’deki açıklamaya göre daha uzun insan okunur arşiv; tam bölge таблицаsunu, bileşen düzeyindeki жыйынтыктарı ve bölge anlatılarını içerebilmektedir. Prompt içinde колдонулган daha kısa sürüm ise kritik bilgileri bağlam penceresini aşmadan sunacak сүрөтde sınırlandırılmıştır.

Sonlu eleman модельi nasıl otomatik oluşturulmuştur?

Furor adlı kurum içi çerçeve, 19 değişkenli bir дизайн векторуnü insan müdahalesi olmadan çalıştırılabilir bir Nastran модельine dönüştürmektedir. İş akışı dört ana aşamadan oluşmaktadır:

1. CAD geometrisi: OpenCASCADE kullanılarak канат кутусу dış yüzeyi, ön ve arka kirişler, кабыргаlar, kiriş başlıkları ve стрингерлер oluşturulmuştur.
2. Genelleştirilmiş koordinatlarda topolojik kesimler: İç yapılar, açıklık yönünde η ve kord yönünde ξ koordinatlarıyla konumlandırılmıştır.
3. GMSH ile ağ oluşturma: Deri ve kiriş gövdelerinde düzenli dörtgen elemanlar, кабырга ve geçiş bölgelerinde dörtgen ağırlıklı düzensiz elemanlar колдонулган.
4. Nastran girdi dosyası: Kompozit kabuklar PCOMP, стрингерлер CBAR, yoğunlaştırılmış kütleler CONM2 ve yük dağıtıcı bağlantılar RBE3 kartlarına dönüştürülmüştür.

Şekil 1, iki kanat bölmesindeki кабырга, лонжерон башы ve стрингер çizgilerini η–ξ koordinatlarında көрсөтөт. Şekil 2, акыркы элемент ağı içindeki altı yapısal kategoriyi; Şekil 3 ise aynı yapının üzerine eklenen аэроэластикалык panel ağını ve yoğunlaştırılmış kütleleri көрсөтөт. Bu kalıcı bölge etiketleri sayesinde tasarım değişse bile жыйынтыктар “kök лонжерон тулкусу”, “orta açıklık derisi” veya “uç kirişçiği” gibi aynı инженердик bölgelerine bağlanabilmiştir.

Aeroelastik analiz zinciri nasıl çalışmıştır?

Her aday için üç негизги эсептөө bloğu çalıştırılmıştır:

Aerodinamik yükler her yeni yapısal aday için deforme olmuş kanat üzerinde yeniden эсептелген. Buna karşılık motor, yakıt, gövde, kuyruk, faydalı yük, iniş takımı ve sistem kütleleri оптималдаштыруу öncesinde gerçekleştirilen tek bir çok disiplinli analizden alınmış ve sabit tutulmuştur.

Karşılaştırmada колдонулган yoğunlaştırılmış gövde модельi, gövdeyi ayrıntılı акыркы элемент kabukları yerine kütle merkezinde bulunan tek bir rijit nokta kütleyle temsil etmiştir. Kanat, yatay kuyruk ve dikey kuyruk аэроэластикалык модельde bulunmakla birlikte yalnızca канат кутусуnun iç yapısı оптималдаштыруу değişkenlerinden etkilenmiştir.

İncelenen uçak ve канат кутусуnun özellikleri nelerdir?

Kanat kutusu iki kirişli ve iki açıklık bölmeli bir yapıdır. Kırılma noktası motor pilonu bağlantısında bulunmaktadır. Deri, kiriş gövdeleri, кабырга gövdeleri ve kiriş başlıkları композит кабыкlarla; стрингерлер ise çubuk elemanlarla модельlenmiştir.

Kompozit katman yapısı nasıldır?

Deri, kiriş gövdeleri ve кабырга gövdelerinde sabit yarı izotropik katman dizilimi колдонулган:

\[ [0^\circ/+45^\circ/-45^\circ/90^\circ]_s \]

Alt indis s, katman diziliminin orta düzleme göre simetrik olduğunu көрсөтөт. Nastran модельinde dört yönelim bloğu tanımlanmış ve simetri seçeneğiyle sekiz bloklu tam ламинатa genişletilmiştir. Her prepreg катмарnın nominal kalınlığı 0,05 mm’dir.

Kiriş başlıkları ile стрингерлер açıklık yönünde hizalanmış tek yönlü karbon ламинатlar olarak ele alınmıştır. Изилдөө, katman açılarını оптималдаштыруу değişkeni yapmamış; böylece karşılaştırmanın чоң тил модели ile генетикалык алгоритмnın arama davranışına odaklanmasını amaçlamıştır.

Dayanım değerlerine yüzde 50 hasar toleransı ve yorulma azaltma katsayısı uygulanmıştır. Deri ve kiriş gövdelerinde her yönelim bloğu için en az 0,20 mm kalınlık zorunlu tutulmuştur. Simetrik sekiz bloklu yapı düşünüldüğünde bu sınır, toplam 1,6 mm üretim tabanına karşılık gelmektedir.

Hangi tasarım değişkenleri колдонулган?

Optimizasyon vektörü 19 жогорку seviyeli değişkenden oluşmaktadır:

\[ \mathbf{x}=(\mathbf{x}^{skin},\mathbf{x}^{spar},\mathbf{x}^{cap-w},\mathbf{x}^{cap-t},\mathbf{x}^{str},\mathbf{x}^{top}) \]

İlk beş grup kök, kanat kırılması ve uç kontrol istasyonlarında üçer değer içererek 15 boyutlandırma değişkeni oluşturur. Son grup iki bölmedeki кабырга sayısı ve кабырга dağılımını tanımlayan dört topoloji değişkenini içerir.

İç ve dış bölmedeki стрингер sayıları sırasıyla dokuz ve dört olarak sabitlenmiştir. Katman yönelimleri de sabittir. Dolayısıyla изилдөө, olası bütün композит канат кутусу değişkenlerini değil, sınırlı fakat инженердик açısından anlamlı 19 değişkenli bir alt problemi çözmüştür.

Kaburgaların konumu nasıl belirlenmiştir?

Her kanat bölmesindeki кабырга konumları, düzgün dağılım ile köke yığılmış kosinüs dağılımının birleşimiyle эсептелген:

\[ \eta_k=(1-c_b)\frac{k}{N_b-1}+c_b\left[1-\cos\left(\frac{\pi k}{2(N_b-1)}\right)\right] \]

Burada η_k, ilgili bölme içindeki boyutsuz кабырга konumunu; N_b кабырга sayısını; k кабырга indeksini; c_b ise 0 ile 1 arasındaki kosinüs dağılım ağırlığını көрсөтөт.

• c_b = 0 olduğunda кабыргаlar eşit aralıklarla yerleşir.
• c_b = 1 olduğunda кабыргаlar жогорураак eğilme ve жылыш yüklerinin bulunduğu bölme köküne doğru kümelenir.

Kök, kırılma ve uç istasyonlarındaki boyutlandırma değerleri açıklık boyunca doğrusal olarak enterpole edilmiş; her panel bölgesine orta noktasındaki değer atanmıştır. Kompozit kalınlıklar daha sonra 0,05 mm’lik üretilebilir катмар adımlarına yuvarlanmıştır. Şekil 6, sürekli kontrol noktası eğrisinin акыркы элемент модельinde basamaklı bir katman dağılımına nasıl dönüştüğünü көрсөтөт.

Optimizasyon amacı nasıl tanımlanmıştır?

Amaç, канат кутусу kütlesini başlangıçtaki elle boyutlandırılmış tasarımın kütlesine göre azaltmaktır:

\[ \bar{m}_{WB}(\mathbf{x})=\frac{m_{WB}(\mathbf{x})}{m_{WB}^{(0)}} \]

Burada m_WB(x) aday канат кутусуnun kg cinsinden kütlesini, m_WB⁽⁰⁾ = 2.456 kg başlangıç kütlesini ve m̄_WB boyutsuz normalize edilmiş kütleyi көрсөтөт. Başlangıç tasarımı için m̄_WB = 1’dir.

Optimizasyon problemi изилдөө içinde şu kompakt yapıyla маалыматlmiştir:

\[ \min_{\mathbf{x}\in X}\bar{m}_{WB}(\mathbf{x}) \]

\[ g_i(\mathbf{x})\leq 1,\quad i=1,\ldots,n_g \]

\[ x_j^{Root}\geq x_j^{Kink}\geq x_j^{Tip},\quad j\in\{skin,\;spar\ web\} \]

Son eşitsizlik, deri ve лонжерон тулкусу kalınlığının kökten uca doğru artmamasını sağlayan yapısal incelme kuralıdır.

Hangi hasar ve güvenlik чектөөлөрı uygulanmıştır?

Çok sayıdaki eleman ve mod чектөөı, Kreisselmeier–Steinhauser işleviyle yumuşak biçimde toplulaştırılmıştır. Изилдөө, KS işlevinin ayrıntılı matematiksel açılımını vermemekle birlikte hasar чектөөлөрında ρ = 80, beş бүкүрөйүү режими için ρ = 30 yumuşatma параметрлериni kullanmıştır.

Hangi uçuş yükü uygulanmıştır?

Kanat kutusu tek bir simetrik оң-g çekiş manevrasında boyutlandırılmıştır:

Negatif-g, ayrık шамал соккусу, yuvarlanmalı çekiş, yerdeki yükler ve flutter analizleri bu karşılaştırmaya dahil edilmemiştir. Bu nedenle elde edilen optiмом, sertifikasyon yük zarfının tamamı için doğrulanmış bir uçak kanadı değildir.

LLMopt döngüsü nasıl çalışmıştır?

Her iterasyonda чоң тил модели mevcut en iyi uygulanabilir tasarımı, yakın geçmişte denenmiş tasarımları ve Семантикалык Дизайн Отчётуnu okumuştur. Model, sabit bir JSON şemasında yeni tasarım değişkenlerini, hareket gerekçesini ve aday türünü üretmiştir.

Değişkenlerin tamamı инженердик birimleri yerine kendi alt ve üst sınırları arasında yüzde 0–100 konumuyla ifade edilmiştir. Kod çözücü bu yüzdeyi физикалык değere dönüştürmüş, izin маалыматlen üretim adımına yuvarlamış ve kök ≥ kırılma ≥ uç kuralını otomatik uygulamıştır. Eksik değişkenler mevcut şampiyon tasarımdan alınmış, geçersiz değişken adları elenmiştir.

Modelin yakınsama durumu her kullanıcı mesajında маалыматlmiştir. Şampiyon uzun süre iyileşmediğinde daha geniş keşif, art arda uygulanamaz adaylar oluştuğunda ise daha küçük toparlanma hareketleri istenmiştir. Bu uyarlama модель ağırlıklarının eğitilmesiyle değil, iterasyon istemindeki инженердик talimatlarıyla sağlanmıştır.

Ardışık ve popülasyon ыкмаleri arasındaki fark nedir?

Ardışık ыкма daha az analiz kullanmıştır; popülasyon ыкмаi ise жогорку başarımlı эсептөө kümesindeki on Nastran çalışanını aynı anda kullanarak bir iterasyonun duvar saati maliyetini en yavaş adayın süresine yaklaştırmıştır. Bu nedenle “daha az FEM баалоосу” ile “daha kısa gerçek изилдөө süresi” aynı kavram değildir.

Genetik algoritma karşılaştırması nasıl yapılmıştır?

Referans ыкма, pymoo kütüphanesindeki NSGA-II algoritmasıdır. Problem tek amaçlı olmasına rağmen NSGA-II uygulanabilirlik öncelikli чектөө işleme ve genetik operatörler sağlayan bir referans sürücü olarak колдонулган.

Изилдөөda генетикалык алгоритм için yalnızca tek rastgele tohumlu kampanya маалыматlmiştir. Aynı сүрөтde her LLM модельi ve ыкма birleşimi için tek kampanya raporlanmıştır. Bu nedenle algoritmaların koşular arası dağılımı, güven aralığı veya istatistiksel üstünlüğü belirlenmemiştir.

Yakınsama eğrileri ne көрсөткөн?

Şekil 8’deki logaritmik баалоо ekseni, LLM ve генетикалык алгоритм arasındaki örnekleme bütçesi farkını görünür hâle getirmektedir. Dört LLM kampanyasının tamamı ilk болжол менен 30 баалооde normalize edilmiş kütleyi 1,00’dan болжол менен 0,80’e düşürmüştür. İlk aşamada henüz etkin olmayan чектөөлөрdaki güvenlik payları hızla колдонулган.

Tabaka деформацияi ve бүкүрөйүү чектөөлөрı болжол менен 20–50 LLM баалооsi içinde sınır bölgesine ulaşmıştır. Bu noktadan sonra bir bölgenin inceltilmesi деформация veya бүкүрөйүү ihlaline yol açtığı için ilerleme yavaşlamış ve жыйынтыктар 0,72 çevresinde plato oluşturmuştur.

Genetik algoritma aynı чектөө sınırlarına болжол менен 10.000 баалооden sonra yaklaşmıştır. Bununla birlikte daha uzun arama sonucunda LLM tasarımlarından болжол менен üç yüzde puanı төмөнүрөөк kütleye ulaşmıştır.

En iyi kütle жыйынтыктарı nelerdir?

En iyi LLM sonucu ile генетикалык алгоритм arasındaki болжол менен kütle farkı 69 kg’dır. Изилдөөnın kullandığı normalize ölçekte fark 0,0281, yani 2,81 yüzde puanıdır.

Değerlendirme sayısı oranı şöyledir:

\[ \frac{36\,000}{201}\approx179{,}1 \]

Bu nedenle изилдөө “179 kat daha az FEM баалоосу” sonucunu vermektedir. İfade, генетикалык алгоритмnın 36.000 analizi ile en iyi LLM koşusunun referans dahil 201 analizini karşılaştırmaktadır.

Yapısal чектөөлөр optiмомlarda ne kadar колдонулган?

Bütün optiмомlarda була багыты катмар деформацияi, 2.000 µε sınırının yüzde 97,6–98,6’sına ulaşmıştır. En төмөн бүкүрөйүү katsayıları 1,562–1,607 aralığında olup 1,5 sınırına yakındır. Bu iki ölçüt tasarımın etkin чектөөлөрını oluşturmuştur.

Hoffman indeksi 0,707–0,728 aralığında kalmış ve 1,0 sınırının болжол менен yüzde 27–29 altında güvenlik payı taşımıştır. Kirişçik çekme ve basma чектөөлөрı da sınır olmamıştır. Dolayısıyla bütün ыкмаler benzer bir yapısal sınır çizgisine ulaşmış, fakat malzemeyi kanat boyunca farklı biçimde dağıtmıştır.

LLM ve генетикалык алгоритм nasıl farklı tasarımlar üretmiştir?

Şekil 10, генетикалык алгоритм ile LLM tasarımlarının aynı чектөө sınırına farklı yapısal stratejilerle ulaştığını көрсөтөт.

• Genetik algoritma deri ve лонжерон тулкусу kalınlıklarını açıklık boyunca daha dengeli dağıtmıştır.
• LLM tasarımları malzemeyi motor pilonu çevresindeki kanat kırılma istasyonunda yoğunlaştırmıştır.
• Dört LLM tasarımında iç bölme кабырга sayısı sekizden dörde düşürülmüştür; генетикалык алгоритм beş кабырга kullanmıştır.
• Dış bölme кабырга sayısı LLM tasarımlarında 10–15, генетикалык алгоритмda 12 olmuştur.
• LLM tasarımlarında kırılma istasyonundaki deri, лонжерон тулкусу, лонжерон башы ve стрингер değişkenlerinden bazıları üst sınıra yaklaşmıştır.
• Genetik algoritma kök derisini referansın болжол менен yüzde 41’ine indirirken LLM tasarımları yüzde 62–72 aralığında bırakmıştır.

Bu farklılık, LLM’nin rapordaki bölgesel anlatıları kullanarak “kritik orta açıklığı güçlendir, başka bölgeleri incelt” biçiminde daha bölgesel bir tasarım mantığı geliştirdiğini көрсөтөт. Ancak bu stratejinin başka kanat geometrilerinde aynı sonucu vereceği kanıtlanmamıştır.

Şekil 11’deki деформация dağılımı ne anlatmaktadır?

Şekil 11, başlangıç tasarımı, генетикалык алгоритм ve dört LLM tasarımını kökten kanat kırılmasına kadar beş kat büyütülmüş deformasyonla көрсөтөт. Bütün tasarımlarda эң жогорку була багыты деформацияi aynı genel bölgede, kanat kökündeki açıklık yönlü лонжерон тулкусуnde ortaya çıkmıştır.

Bu ortak kritik bölge, farklı оптималдаштыруу ыкмаlerinin физикалык yük yolunu değiştirmediğini көрсөтөт. Ыкмаler malzeme dağılımını farklı seçmiş olsa da оң-g manevrasındaki негизги eğilme ve жылыш yükü kanat kökünü belirleyici bırakmıştır.

Şekil üzerindeki başlangıç değeri 1.895 µε, Tablo 6’daki başlangıç değeri 1.896 µε’dir. Bir mikroдеформацияlik fark жыйынтыктарın yorumunu değiştirmemektedir; ancak булак metinde yuvarlama açıklaması маалыматlmemiştir.

LLM kullanımının эсептөө maliyeti nedir?

İterasyon sayısından fazla çağrı yapılmasının nedeni, daha önce değerlendirilmiş bir tasarımın yeniden önerilmesi hâlinde модельin tekrar çağrılmasıdır. Ardışık Sonnet koşusunda 32, Opus koşusunda altı yinelenen aday yeniden üretilmiştir. Geçersiz JSON veya biçim катаsı görülmemiştir.

Изилдөө token miktarlarını raporlamakla birlikte API ücretini, enerji tüketimini veya LLM çağrılarının karbon etkisini эсептөөmıştır. Nastran lisansı, HPC kuyruğu ve LLM hizmetinin parasal maliyetleri ortak bir ölçekte karşılaştırılmamıştır.

Изилдөөnın desteklediği жыйынтыктар nelerdir?

• Sonlu eleman çıktısının tasarım değişkenleri ve физикалык bölgelerle eşleştirilmesi, чоң тил моделиnin az sayıda analizle uygulanabilir tasarımlar önermesini sağlamıştır.
• En iyi LLM koşusu, 201 баалооde başlangıç канат кутусу kütlesini yüzde 28,42 azaltmıştır.
• Genetik algoritmanın yüzde 31,23’lük sonucuna 2,81 yüzde puanı yaklaşılmıştır.
• Sonlu eleman баалооsi sayısı 36.000’den 201’e düşmüş ve 179 katlık örnekleme farkı oluşmuştur.
• Ardışık LLM ыкмаi, bu problemde popülasyon ыкмаinden daha az баалооyle biraz төмөнүрөөк kütle üretmiştir.
• Claude Opus ile Claude Sonnet arasındaki жыйынтык farkı, ardışık-popülasyon ыкмаi arasındaki farktan daha küçük kalmıştır.
• LLM ve генетикалык алгоритм aynı деформация ve бүкүрөйүү sınırlarına farklı malzeme dağılımlarıyla ulaşmıştır.
• Yapılandırılmış инженердик geri bildirimi, yalnızca skaler amaç değerinden daha zengin bir оптималдаштыруу arayüzü oluşturmuştur.

Изилдөөnın kanıtlamadığı жыйынтыктар nelerdir?

• Изилдөө, büyük dil модельlerinin bütün yapısal оптималдаштыруу problemlerinde генетикалык алгоритмlardan 179 kat daha маалыматmli olduğunu далилдебейт.
• 179 kat değeri duvar saati, elektrik tüketimi, maliyet veya toplam CPU süresi için değil, yalnızca FEM баалоо sayısı içindir.
• LLM sonucunun gerçek bir kompozit kanatta üretilebilir veya uçuşa elмаалыматşli olduğu эксперименталдык olarak doğrulanmamıştır.
• Büyük dil модельinin bir yapısal mühendisin yerini alabileceği gösterilmemiştir.
• Tek koşu жыйынтыктарı, ыкмаler arasında istatistiksel üstünlük kanıtı değildir.
• NSGA-II’nin bütün genetik, evrimsel veya vekil tabanlı оптималдаштыруу ыкмаlerini temsil ettiği gösterilmemiştir.
• Negatif-g, шамал соккусу, flutter ve sertifikasyon yüklerinin tamamı altında güvenli tasarım elde edildiği gösterilmemiştir.
• Katman açıları, dizilim sırası ve стрингер sayısı оптималдаштыр edilmediği için bütün kompozit tasarım uzayı araştırılmamıştır.
• LLM’nin kendi başına fizik yasalarını çözdüğü veya Nastran analizinin yerini aldığı gösterilmemiştir; физикалык баалоо hâlâ акыркы элемент çözücüsü tarafından yapılmıştır.

Түркия açısından ne ifade etmektedir?

Изилдөөnın Түркия açısından en маанилүү mesajı, yapay zekânın инженердикte yalnızca metin üretimi veya kod yardımcısı olarak değil, mevcut CAE altyapısının üstünde çalışan bir karar katmanı olarak kullanılabileceğidir. Sonlu eleman çözücüsü физикалык баалооyi yaparken чоң тил модели; kritik bölgeleri, güvenlik paylarını ve tasarım değişkenlerinin etkilerini yorumlayarak bir sonraki analizin nerede yapılacağına karar verebilmektedir.

Bu yaklaşım Түркия’de kompozit hava aracı yapıları, insansız hava araçları, uydu ve fırlatma sistemleri, otomotiv hafifletme, rüzgâr türbini kanatları ve benzeri жогорку maliyetli analiz problemlerinde araştırılabilir. Özellikle bir акыркы элемент çözümünün saatler sürdüğü veya çok sayıda yazılım lisansı gerektirdiği problemlerde analiz sayısının azaltılması маанилүү olabilir.

Yerel uygulama için tasarım kurallarının Türk инженердик kuruluşlarının üretim sınırlarıyla uyumlandırılması, kurum içi geçmiş tasarımların güvenli biçimde erişilebildiği bir bilgi getirme sistemi kurulması, жыйынтыктарın birden fazla жүк абалы ve физикалык testle doğrulanması ve чоң тил моделиnin önerilerinin uzman onayından geçirilmesi gerekir.

Изилдөөнүн Ыкмасы жана Табылгалары

Изилдөө tasarımının teknik özeti

Karşılaştırılan beş оптималдаштыруу stratejisi

Ana nicel табылгалар

1. Genetik algoritma normalize kütleyi 1,0000’dan 0,6877’ye düşürmüştür.
2. En iyi LLM sonucu Claude Opus ardışık ыкмаde 0,7158 olmuştur.
3. En iyi LLM ile генетикалык алгоритм arasındaki normalize kütle farkı 0,0281’dir.
4. LLM, referans kütleden болжол менен 698 kg; генетикалык алгоритм болжол менен 767 kg tasarruf sağlamıştır.
5. LLM ile генетикалык алгоритм arasındaki болжол менен boyutlu kütle farkı 69 kg’dır.
6. LLM’nin 201 баалооsi ile генетикалык алгоритмnın 36.000 баалооsi arasında 179,1 kat fark vardır.
7. Dört LLM sonucu 0,7158–0,7260 aralığında, bir yüzde puanından daha dar bir bantta toplanmıştır.
8. Ardışık iki ыкма, aynı модельlerin popülasyon ыкмаlerinden төмөнүрөөк kütle üretmiştir.
9. Aktif катмар деформацияi bütün optiмомlarda 1.951–1.972 µε aralığında kalmıştır.
10. En төмөн бүкүрөйүү yük katsayısı 1,562–1,607 aralığında ve 1,5 sınırının üzerinde kalmıştır.

Grafik ve сүрөтlerin teknik mesajı

• Şekil 1: Kaburga, лонжерон башы ve стрингерлерin genelleştirilmiş η–ξ koordinatlarındaki параметрдик yerleşimini көрсөтөт.
• Şekil 2: Kanat kökü yakınındaki deri, лонжерон башы, лонжерон тулкусу, кабырга ve стрингер акыркы элемент kategorilerini көрсөтөт.
• Şekil 3: Yapısal ağın üzerine eklenen yoğunlaştırılmış kütleleri ve çift kafesli aerodinamik panel ağını көрсөтөт.
• Şekil 4: Ayrıntılı gövde ile yoğunlaştırılmış gövde модельini karşılaştırmakta ve bu изилдөөda yoğunlaştırılmış модельin kullanıldığını көрсөтөт.
• Şekil 5: Furor модель üretimi, SOL 144, SOL 105 ve amaç-чектөө toplulaştırmasının маалымат akışını көрсөтөт.
• Şekil 6: Kök, kırılma ve uç kontrol değerlerinin üretilebilir basamaklı katman kalınlığına dönüştürülmesini көрсөтөт.
• Şekil 7: LLM sağlayıcısı, istem oluşturucu, kod çözücü, Furor, karar маалыматci ve geçmiş arşivinden oluşan kapalı döngüyü көрсөтөт.
• Şekil 8: LLM ыкмаlerinin 201–1.001 баалооde болжол менен 0,72’ye ulaşırken генетикалык алгоритмnın 36.000 баалооde 0,688’e indiğini көрсөтөт.
• Şekil 9: Tabaka деформацияi ve бүкүрөйүүnın etkin чектөөлөр, Hoffman ile стрингер gerilmelerinin ikincil чектөөлөр olduğunu көрсөтөт.
• Şekil 10: LLM’nin malzemeyi kanat kırılmasında yoğunlaştıran, генетикалык алгоритмnın ise daha dağıtılmış boyutlandırma kullanan tasarım felsefelerini karşılaştırmaktadır.
• Şekil 11: Altı tasarımın deformasyon ve була багыты деформация dağılımını aynı renk ölçeğinde көрсөтөт.

Ыкмаsel güçlü yönler

• LLM ve генетикалык алгоритм aynı tasarım uzayını, aynı Nastran модельini ve aynı чектөөлөрı kullanmıştır.
• Sonlu eleman модельi her aday için baştan ve otomatik olarak yeniden oluşturulmuştur.
• Topolojik bölge etiketleri tasarımlar arasında korunmuştur.
• LLM çıktıları sabit JSON şemasıyla sınırlandırılmıştır.
• Geçersiz veya monotonluk kuralını bozan tasarımlar en yakın izin маалыматlen noktaya izdüşürülmüştür.
• FEM баалоо sayısı, LLM çağrıları ve token tüketimi ayrı ayrı raporlanmıştır.
• Son tasarımlar yalnızca kütleyle değil, деформация, hasar, бүкүрөйүү ve yer değiştirmeyle karşılaştırılmıştır.
• Genetik algoritmanın yazılım sürümü, operatörleri, popülasyonu ve rastgele tohumu açıklanmıştır.

Ыкмаsel чектөөлөр

• Her оптималдаштыруу yapılandırması yalnızca bir kez çalıştırılmıştır.
• Genetik algoritma tek rastgele tohumla бааланган.
• Claude модельlerinde sıcaklık параметрsi kontrol edilememiş ve sağlayıcının varsayılan örneklemesi колдонулган.
• Kullanılan LLM’ler kapalı ve barındırılan модельlerdir; модель ağırlıkları ve hizmet davranışı zaman içinde değişebilir.
• Kod çözücü bazı катаlı önerileri otomatik onardığı için ham LLM başarısı ile bütün sistem başarısı tam olarak ayrıştırılmamıştır.
• LLM yalnızca zengin semantik raporla test edilmiştir; aynı модельlerin yalnızca skaler amaç ve чектөөлөрla çalıştığı doğrudan bir ablasyon koşusu bulunmamaktadır.
• NSGA-II dışında CMA-ES, diferansiyel evrim, Bayesçi оптималдаштыруу veya vekil destekli ыкмаlerle doğrudan karşılaştırma yapılmamıştır.
• FEM модельi физикалык bir kanat veya alt bileşen testiyle bu изилдөө içinde doğrulanmamıştır.
• Yalnızca bir uçak geometrisi ve tek жүк абалы колдонулган.
• Katman açıları, katman sırası ve стрингер sayısı sabittir.
• Mutlak duvar saati, elektrik tüketimi ve parasal maliyet karşılaştırması маалыматlmemiştir.
• Herkese açık bir Furor veya LLMopt kod deposu belirtilmemiştir.

Metinde belirlenen dokümantasyon farklılıkları

• Referans tasarımın tepe деформацияi Şekil 11’de 1.895 µε, Tablo 6’da 1.896 µε olarak маалыматlmiştir.
• Семантикалык Дизайн Отчёту ыкма bölümünde altı blokla tanımlanırken жыйынтык bölümünde dört çekirdek blokla özetlenmiştir.
• Sonuç bölümündeki dört blok arasında bölge anlatısı sayılırken ana altı blok listesinde gevşek bölgeler, başlık ve toplulaştırılmış чектөөлөр ayrı bölümler olarak yer almaktadır.
• İyileşen tasarımlarda küçük iyileştirme hareketlerinin tercih edildiği yazılmasına rağmen yeni bir şampiyon için başlangıç önerisi yüzde 70 keşif ve yüzde 30 iyileştirme biçimindedir; politika metni bu oranı esnek bir başlangıç noktası olarak sunmaktadır.

Булак жана Ыкма Эскертүүсү

Изилдөөnın tam özgün adı: Large language модельs as efficient designers of composite wing-box structures via semantic feedback

Yazar: Luca Pustina.

Yazar sıralaması: Изилдөө tek yazarlıdır.

Eş birinci yazar: Eş birinci yazarlık veya eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Luca Pustina.

Sorumlu yazar e-posta adresi: luca.pustina@uniroma1.it

Kurum: Department of Mechanical and Aerospace Engineering, Sapienza University of Rome, Via Eudossiana 18, 00184 Rome, Italy.

DOI:10.2139/ssrn.6952641

Yayın platformu: SSRN.

Resmî SSRN kayıt tarihi: 16 Haziran 2026.

Yayın yılı: 2026.

Dergi: Hakemli bir dergi veya nihai dergi yayını doğrulanmamıştır.

Özgün yayınevi: Nihai bir dergi yayınevi bulunmamaktadır. Изилдөө, Elsevier bünyesindeki SSRN preprint platformunda paylaşılmıştır.

Kaynak türü: Sonlu eleman analizleri, yapısal оптималдаштыруу ve чоң тил модели kontrollü эсептөөlı deneyler içeren preprint изилдөө makalesi.

Hakemlik durumu: Изилдөө рецензиядан өтө элекtir. İlk ve sonraki sayfalarda “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

Resmî булак bağlantısı:https://ssrn.com/abstract=6952641

Finansman ve proje bağlamı: Изилдөө, Италия’nın PNRR CN4 MOST Sürdürülebilir Hareketlilik изилдөө programı, Spoke 1 “Air Mobility”, proje CN_00000023 ve Work Package 5 kapsamında yürütülen изилдөө faaliyeti olarak билдирилген.

Çıkar çatışması: Yazar, изилдөөyı etkileyebilecek bilinen mali çıkar veya kişisel ilişki bulunmadığını beyan etmiştir.

Üretken yapay zekâ beyanı: Yazar, изилдөө metninin okunabilirliğini ve kısalığını iyileştirmek amacıyla Claude kullandığını; içeriği daha sonra gözden geçirip düzenlediğini ve sorumluluğu üstlendiğini bildirmiştir. Bu kullanım, makalede test edilen LLM оптималдаштыруу kampanyalarından ayrı olarak metin hazırlama sürecine ilişkindir.

Kod ve маалымат erişimi: Furor ve LLMopt kurum içi çerçeveler olarak tanımlanmıştır. Изилдөөda kamuya açık kod deposu veya bütün kampanya маалыматтарini içeren açık маалымат bağlantısı belirtilmemiştir. Örnek Семантикалык Дизайн Отчёту ve istem bölümleri eklerde sunulmuştur.

Bu Türkçe bilimsel açıklama, yüklenen изилдөөnın metni, теңдемелер, таблицаları, акыркы элемент görselleri, оптималдаштыруу графикleri ve ekleri incelenerek hazırlanmıştır. Bilimsel içerik yalnızca изилдөөda raporlanan ыкма ve жыйынтыктарa dayanmaktadır. Dış булакlar yalnızca başlık, yazar kimliği, kurumsal bağlantı, DOI, SSRN kaydı, platform niteliği ve yayın durumunun bibliyoграфик doğrulanması için колдонулган.

Изилдөөnın негизги чектөөлөрү; hakem баалооsinden geçmemesi, физикалык deney içermemesi, tek bir канат кутусу ve tek жүк абалы kullanması, her оптималдаштыруу ыкмаi için bağımsız tekrarlar sunmaması, LLM модельlerinin kapalı hizmetler olması, daha geniş algoritma karşılaştırmalarının bulunmaması ve 179 katlık sonucun yalnızca FEM баалоо sayısına dayanmasıdır.

Sonuçlar, yapılandırılmış ve физикалык bölgelerle ilişkilendirilmiş инженердик geri bildiriminin büyük dil модельlerini акыркы элемент оптималдаштыруу döngüsünde etkili bir aday üreticiye dönüştürebileceğini көрсөтөт. Bulgular, büyük dil модельlerinin sertifikalı hava aracı tasarımını insan denetimi olmadan yapabileceği veya акыркы элемент çözücüsünün yerini alabileceği biçiminde yorumlanmamalıdır.