Ин таҳқиқот меомӯзад, ки оё моделҳои бузурги забонӣ метавонанд на танҳо ҳамчун воситаҳои оптимизатсия, ки танҳо номзадҳои ададӣ тавлид мекунанд, балки ҳамчун тарроҳони рақамӣ истифода шаванд, ки маълумоти сохтории муҳандисиро аз таҳлилҳои элементҳои ниҳоӣ шарҳ медиҳанд. Масъалаи баррасишуда сабуксозии қуттии боли композитии карбон/эпоксиди ҳавопаймои минтақавии 90-мусофира мебошад, ки дар он масса, осеби қабати аввал, шохиси шикасти Hoffman, танишҳои stringer ва ҳадҳои buckling якҷоя ба назар гирифта шудаанд.

Муҳаққиқ Semantic Design Report-ро таҳия кардааст, ки пас аз ҳар таҳлили Nastran на танҳо функсияи ҳадаф ва қиматҳои маҳдудият, балки минтақаҳои сохтории муҳим, тағйирёбандаҳое, ки онҳоро идора мекунанд, таъсири як тағйирёбанда ба масса, ҷойгиршавии пасттарин mode-ҳои buckling ва минтақаҳои камбореро, ки метавон тунук кард, шарҳ медиҳад. Моделҳои Claude Sonnet ва Claude Opus ин гузоришро хонда, тарҳи навбатии қуттии болро пешниҳод кардаанд. Дар усули пайдарпай дар ҳар итератсия як номзад ва дар усули популятсионӣ даҳ номзад арзёбӣ шудаанд.

Беҳтарин натиҷаи LLM дар усули пайдарпай бо Claude Opus, бо 201 арзёбии элементҳои ниҳоӣ, массаи қуттии боли истинодиро 28,42 фоиз кам кардааст. Алгоритми генетикӣ бо 36.000 арзёбӣ 31,23 фоиз коҳиш додааст. Ҳамин тавр LLM ба натиҷаи массаи нормализатсияшудаи алгоритми генетикӣ то 2,81 банди фоизӣ наздик шуда, 179 маротиба камтар арзёбии элементҳои ниҳоӣ истифода кардааст. Аммо ин таносуб маънои 179 маротиба кам шудани вақти воқеии кор, масрафи энергия ё арзиши пулӣ надорад; он танҳо шумораи ҳалли элементҳои ниҳоиро муқоиса мекунад.

Таҳқиқот танҳо дар як геометрияи ҳавопаймои минтақавӣ, як тартиби собити қабатҳои композитӣ ва як манёври ягонаи симметрии мусбат-g анҷом шудааст. Манфӣ-g, gust, rolling, ground loads, flutter, нуқсонҳои истеҳсолӣ ва feedback-и сӯзишворӣ–сохтор дар сатҳи тамоми ҳавопаймо ба ҳалқаи оптимизатсия дохил нашудаанд. Таҳқиқот инчунин preprint-и аз peer review нагузашта аст.

Саволи асосии таҳқиқот чист?

Алгоритмҳои классикии оптимизатсияи сохторӣ аз таҳлили элементҳои ниҳоии як тарҳ одатан танҳо як қимати ҳадаф ва чанд қимати маҳдудият мегиранд. Масалан, алгоритм метавонад массаи қуттии бол, баландтарин таносуби осеб ва пасттарин коэффициенти buckling-ро бинад; аммо мустақиман намефаҳмад, ки осеб дар кадом panel ба вуҷуд омадааст, кадом design variable он panel-ро идора мекунад ё аз кадом минтақаи камбор метавон бехатар мавод кам кард.

Саволи асосии таҳқиқот чунин аст: агар модели бузурги забонӣ пас аз ҳар ҳал арзёбии муфассале бигирад, ки ба забони муҳандисони сохторӣ табдил дода шудааст, оё метавонад бо таҳлилҳои хеле камтар аз оптимизатсияи классикии black-box ба тарҳи қобили амалии қуттии бол бирасад?

Муҳаққиқ ин саволро тавассути се зермуаммо омӯхтааст:

• Натиҷаҳои элементҳои ниҳоӣ чӣ гуна ба гузорише табдил дода шаванд, ки барои модели бузурги забонӣ фаҳмо бошад, аммо ҷузъиёти муҳандисиро гум накунад?
• Оё модели бузурги забонӣ метавонад бо истифода аз робитаҳои байни як design variable ва stress, ply damage, buckling ва mass номзадҳои нав пешниҳод кунад?
• Ин равиш нисбат ба алгоритми генетикии 36.000-арзёбӣ, ки ҳамон қуттии болро оптимизатсия мекунад, чанд маротиба камтар ҳалли elementҳои ниҳоӣ истифода мекунад?

Чаро додани танҳо objective function кофӣ нест?

Барои алгоритми генетикӣ иттилои “массаи нормализатсияшуда 0,75 ва бадтарин маҳдудият 0,98” метавонад барои рейтинг кардани номзадҳо кофӣ бошад. Аммо барои модели бузурги забонӣ ин ду адад шарҳ намедиҳанд, ки тарҳ чаро муваффақ ё номуваффақ аст. Агар модел танҳо ададҳоро тағйир дода пеш равад, бештар ба оператори mutation-и бо забони табиӣ коркунанда монанд мешавад, на ба тарроҳе, ки системаи физикиро мефаҳмад.

Равиши таҳқиқот натиҷаи ададиро бо сабабҳои сохторӣ мепайвандад. Масалан, гузориш мегӯяд, ки коэффициенти пасти buckling аз panel-и муайян дар skin-и берунии бол сарчашма мегирад, кадом variable ғафсии ин panel-ро идора мекунад ва як зина зиёд кардани он variable массаи нормализатсияшударо чӣ қадар зиёд мекунад. Ҳамин тавр модел метавонад ба ҷойи “умуман ғафс кун” қарор диҳад, ки “минтақаи mid-span-ро, ки mode-и buckling дар он мутамарказ аст, як зина қавитар кун ва аз минтақаи камбори tip мавод кам кун”.

Semantic Design Report чист?

Semantic Design Report брифинги сохтории муҳандисист, ки пас аз ҳар таҳлили статикӣ-аэроэластикӣ ва buckling ба таври худкор тавлид мешавад. Дар бахши асосии усул гузориш бо шаш блок муайян шудааст:

Дар бахшҳои contributions ва results гуфта мешавад, ки гузориш инчунин region-based narratives медиҳад. Тибқи тавзеҳи Appendix B, archive-и дарозтар ва хонданбоб метавонад full region table, component-level results ва region narratives-ро дар бар гирад. Версияи кӯтоҳтари дар prompt истифодашуда барои додани critical information бе гузаштан аз context window маҳдуд карда шудааст.

Модели elementҳои ниҳоӣ чӣ гуна худкор сохта шудааст?

Framework-и дохилии Furor design vector-и 19-variable-ро бе дахолати инсон ба модели иҷрошавандаи Nastran табдил медиҳад. Workflow аз чор марҳилаи асосӣ иборат аст:

1. CAD geometry: Бо OpenCASCADE outer surface-и wing box, front ва rear spars, ribs, spar caps ва stringers сохта шудаанд.
2. Topological cuts дар generalized coordinates: Internal structures бо η дар span direction ва ξ дар chord direction ҷойгир шудаанд.
3. Meshing бо GMSH: Дар skin ва spar webs regular quadrilateral elements ва дар rib ва transition regions quad-dominant unstructured elements истифода шудаанд.
4. Nastran input file: Composite shells ба PCOMP, stringers ба CBAR, lumped masses ба CONM2 ва load-distributing connections ба RBE3 cards табдил шудаанд.

Figure 1 хатҳои rib, spar cap ва stringer-ро дар ду wing bay бо координатаҳои η–ξ нишон медиҳад. Figure 2 шаш structural category-ро дар finite-element mesh; Figure 3 бошад aeroelastic panel mesh ва lumped masses-и ба ҳамон сохтор иловашударо нишон медиҳад. Ба шарофати ин persistent region labels, ҳатто баъд аз тағйири design, натиҷаҳо ба ҳамон engineering regions мисли “root spar web”, “mid-span skin” ё “tip stringer” пайваст мондаанд.

Занҷири таҳлили aeroelastic чӣ гуна кор кардааст?

Барои ҳар candidate се computational block иҷро шудааст:

Барои ҳар structural candidate-и нав aerodynamic loads дар deformed wing аз нав ҳисоб шудаанд. Аммо engine, fuel, fuselage, tail, payload, landing gear ва system masses аз як multidisciplinary analysis-и пеш аз оптимизатсия гирифта шуда, собит нигоҳ дошта шудаанд.

Модели lumped fuselage, ки дар муқоиса истифода шуд, fuselage-ро ба ҷойи detailed finite-element shells бо як rigid point mass дар center of mass ифода кардааст. Wing, horizontal tail ва vertical tail дар aeroelastic model мавҷуданд, аммо танҳо internal structure-и wing box аз optimization variables таъсир гирифтааст.

Хусусиятҳои ҳавопаймо ва қуттии бол кадоманд?

Wing box сохтори two-spar ва two-span-bay аст. Kink point дар engine-pylon attachment ҷойгир аст. Skin, spar webs, rib webs ва spar caps бо composite shells; stringers бо bar elements модел шудаанд.

Сохтори қабатҳои композитӣ чӣ гуна аст?

Дар skin, spar webs ва rib webs layup-и fixed quasi-isotropic истифода шудааст:

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

Subscript s нишон медиҳад, ки layup нисбат ба mid-plane симметрӣ аст. Дар модели Nastran чор orientation block муайян шуда, бо symmetry option ба full laminate-и ҳаштблокӣ васеъ шудааст. Nominal thickness-и ҳар prepreg ply 0,05 mm аст.

Spar caps ва stringers ҳамчун unidirectional carbon laminates, ки бо span direction ҳамоҳанг шудаанд, баррасӣ шудаанд. Таҳқиқот ply angles-ро optimization variable накардааст, то муқоиса ба search behavior-и LLM ва genetic algorithm тамаркуз кунад.

Ба strength values 50 percent damage-tolerance ва fatigue knockdown factor татбиқ шудааст. Дар skin ва spar webs барои ҳар orientation block minimum thickness-и 0,20 mm маҷбурӣ буд. Бо назардошти сохтори symmetric eight-block, ин маҳдудият ба manufacturing floor-и умумии 1,6 mm мувофиқ аст.

Кадом design variables истифода шуданд?

Optimization vector аз 19 high-level variable иборат аст:

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

Панҷ гурӯҳи аввал дар root, wing kink ва tip control stations ҳар кадом се қимат дошта, 15 sizing variable ташкил медиҳанд. Гурӯҳи охир чор topology variable дорад, ки rib count ва rib distribution-ро дар ду bay муайян мекунанд.

Шумораи stringer дар inner ва outer bay мутаносибан нӯҳ ва чор собит шудааст. Ply orientations низ собитанд. Аз ин рӯ таҳқиқот ҳамаи design variable-ҳои имконпазири composite wing-box-ро не, балки зермуаммои маҳдуд, вале аз нигоҳи муҳандисӣ маънодори 19-variable-ро ҳал кардааст.

Мавқеи ribs чӣ гуна муайян шуд?

Rib positions дар ҳар wing bay бо омезиши uniform distribution ва root-clustered cosine distribution ҳисоб шудаанд:

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

Дар ин ҷо η_k dimensionless rib position дар bay, N_b rib count, k rib index ва c_b cosine-distribution weight байни 0 ва 1 мебошад.

• Вақте c_b = 0, ribs бо фосилаи баробар ҷой мегиранд.
• Вақте c_b = 1, ribs ба root-и bay, ки bending ва shear loads баландтаранд, бештар ҷамъ мешаванд.

Sizing values дар root, kink ва tip stations spanwise linearly interpolated шудаанд ва ба ҳар panel region қимати midpoint дода шудааст. Composite thicknesses баъд ба manufacturable ply steps-и 0,05 mm round шудаанд. Figure 6 нишон медиҳад, ки continuous control-point curve чӣ гуна ба stepped ply-thickness distribution дар finite-element model табдил меёбад.

Objective-и оптимизатсия чӣ гуна муайян шудааст?

Ҳадаф кам кардани mass-и wing box нисбат ба manually sized initial design аст:

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

Дар ин ҷо m_WB(x) mass-и candidate wing box бо kg, m_WB⁽⁰⁾ = 2.456 kg initial mass ва m̄_WB dimensionless normalized mass мебошанд. Барои initial design, m̄_WB = 1.

Optimization problem дар таҳқиқот чунин compact form дорад:

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

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

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

Нобаробарии охир structural taper rule аст, ки аз зиёд шудани skin ва spar-web thickness аз root ба tip пешгирӣ мекунад.

Кадом damage ва safety constraints татбиқ шуданд?

Шумораи зиёди element ва mode constraints бо Kreisselmeier–Steinhauser function ба таври smooth aggregate шудаанд. Таҳқиқот expansion-и муфассали математикӣ барои KS function намедиҳад, аммо барои damage constraints ρ = 80 ва барои панҷ buckling mode ρ = 30 smoothing parameter истифода шудааст.

Кадом flight load татбиқ шуд?

Wing box танҳо барои як symmetric positive-g pull-up maneuver sized шудааст:

Negative-g, discrete gust, rolling pull-up, ground loads ва flutter analyses ба ин comparison дохил нашудаанд. Аз ин рӯ optimum-и бадастомада wing-и aircraft, ки барои тамоми certification load envelope тасдиқ шудааст, нест.

Ҳалқаи LLMopt чӣ гуна кор кардааст?

Дар ҳар iteration модели бузурги забонӣ current best feasible design, тарҳҳои ба наздикӣ санҷидашуда ва Semantic Design Report-ро хондааст. Модел design variables-и нав, rationale-и move ва candidate type-ро дар fixed JSON schema истеҳсол кардааст.

Ҳама variables ба ҷойи engineering units бо position-и 0–100 percent байни lower ва upper bounds-и худ ифода шудаанд. Decoder ин percent-ро ба physical value табдил дода, ба manufacturing step-и иҷозашуда round кардааст ва root ≥ kink ≥ tip rule-ро автоматӣ татбиқ кардааст. Missing variables аз current champion design гирифта шуда, invalid variable names хориҷ шудаанд.

Convergence state-и model дар ҳар user message дода шудааст. Вақте champion муддати дароз беҳтар нашуд, broader exploration ва вақте infeasible candidates пайдарпай шуданд, smaller recovery moves дархост шуданд. Ин adaptation на бо training-и model weights, балки бо engineering instructions дар iteration prompt таъмин шудааст.

Фарқи sequential ва population methods чист?

Sequential method таҳлилҳои камтар истифода кард; population method бошад даҳ Nastran worker-ро дар high-performance computing cluster ҳамзамон истифода бурд, то wall-clock cost-и як iteration ба вақти slowest candidate наздик шавад. Аз ин рӯ “fewer FEM evaluations” ва “shorter actual run time” як мафҳум нестанд.

Муқоисаи genetic algorithm чӣ гуна анҷом шуд?

Reference method алгоритми NSGA-II аз китобхонаи pymoo мебошад. Гарчанде problem single-objective аст, NSGA-II ҳамчун reference driver бо feasibility-first constraint handling ва genetic operators истифода шудааст.

Барои genetic algorithm танҳо як single-random-seed campaign дода шудааст. Ҳамчунин барои ҳар LLM-model ва method combination танҳо як campaign гузориш шудааст. Аз ин рӯ run-to-run distribution, confidence interval ё statistical superiority муайян нашудаанд.

Convergence curves чиро нишон доданд?

Logarithmic evaluation axis дар Figure 8 фарқи sampling budget байни LLM ва genetic algorithm-ро намоён мекунад. Ҳамаи чор LLM campaign дар тақрибан 30 evaluation-и аввал normalized mass-ро аз 1,00 то тақрибан 0,80 паст карданд. Дар марҳилаи аввал safety margins дар constraints, ки ҳанӯз active набуданд, босуръат истифода шуданд.

Ply strain ва buckling constraints дар тақрибан 20–50 LLM evaluations ба boundary region расиданд. Пас аз он thinning кардани як region боиси strain ё buckling violation шуд, progress суст ва results дар атрофи 0,72 plateau шуданд.

Genetic algorithm тақрибан баъд аз 10.000 evaluation ба ҳамон constraint boundaries наздик шуд. Аммо бо search-и дарозтар ба mass-и тақрибан се percentage point пасттар аз LLM designs расид.

Беҳтарин натиҷаҳои масса кадоманд?

Фарқи approximate mass байни best LLM result ва genetic algorithm 69 kg аст. Дар normalized measure-и таҳқиқот фарқ 0,0281, яъне 2,81 percentage point мебошад.

Ratio-и evaluation count чунин аст:

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

Аз ин рӯ таҳқиқот натиҷаи “179 маротиба fewer FEM evaluations”-ро медиҳад. Ифода 36.000 analysis-и genetic algorithm-ро бо 201 analysis-и best LLM run, including reference, муқоиса мекунад.

Structural constraints дар optimum-ҳо чӣ қадар истифода шуданд?

Дар ҳамаи optimum-ҳо fiber-direction ply strain ба 97,6–98,6 percent-и limit-и 2.000 µε расид. Minimum buckling factors дар 1,562–1,607 буданд ва ба limit-и 1,5 наздик шуданд. Ин ду metric active constraints-и design буданд.

Hoffman index дар 0,707–0,728 монд ва safety margin-и тақрибан 27–29 percent поёнтар аз limit-и 1,0 дошт. Stringer tension ва compression constraints низ limiting набуданд. Ҳамин тавр ҳамаи methods ба structural boundary-и монанд расиданд, аммо material-ро дар span-и wing ба таври гуногун тақсим карданд.

LLM ва genetic algorithm чӣ гуна тарҳҳои гуногун доданд?

Figure 10 нишон медиҳад, ки genetic algorithm ва LLM designs ба ҳамон constraint boundary бо strategies-и сохтории гуногун расидаанд.

• Genetic algorithm skin ва spar-web thickness-ро дар span мутавозинтар тақсим кардааст.
• LLM designs material-ро дар wing-kink station дар атрофи engine pylon мутамарказ кардаанд.
• Дар ҳамаи чор LLM design inner-bay rib count аз ҳашт ба чор кам шудааст; genetic algorithm панҷ rib истифода кардааст.
• Outer-bay rib count дар LLM designs 10–15 ва дар genetic algorithm 12 будааст.
• Дар LLM designs баъзе skin, spar web, spar cap ва stringer variables дар kink station ба upper bound наздик шудаанд.
• Genetic algorithm root skin-ро то тақрибан 41 percent-и reference кам кардааст, LLM designs онро дар 62–72 percent нигоҳ доштаанд.

Ин фарқ нишон медиҳад, ки LLM бо истифода аз region narratives дар report, design logic-и бештар regional ба мисли “critical mid-span-ро қавитар кун, дигар regions-ро тунук кун” таҳия кардааст. Аммо исбот нашудааст, ки ин strategy дар wing geometries-и дигар ҳамон натиҷа медиҳад.

Strain distribution дар Figure 11 чиро мегӯяд?

Figure 11 initial design, genetic algorithm ва чор LLM design-ро аз root то wing kink бо deformation-и панҷ маротиба калоншуда нишон медиҳад. Дар ҳамаи designs highest fiber-direction strain дар ҳамон general region, spanwise spar web дар wing root пайдо шудааст.

Ин common critical region нишон медиҳад, ки optimization methods physical load path-ро тағйир надодаанд. Гарчанде methods material distribution-ро гуногун интихоб карданд, basic bending ва shear loads дар positive-g maneuver wing root-ро determining нигоҳ доштаанд.

Initial value дар figure 1.895 µε ва дар Table 6 1.896 µε аст. Фарқи як microstrain interpretation-ро тағйир намедиҳад, аммо source text rounding explanation намедиҳад.

Computational cost-и истифодаи LLM чӣ қадар аст?

Сабаби calls-и бештар аз iterations ин аст, ки вақте design-и қаблан evaluated боз пешниҳод мешавад, model дубора call мешавад. Дар sequential Sonnet run 32 ва дар Opus run шаш duplicate candidate дубора generated шуданд. Invalid JSON ё format error дида нашуд.

Таҳқиқот token counts-ро гузориш медиҳад, аммо API cost, energy consumption ё carbon impact-и LLM calls-ро ҳисоб намекунад. Monetary costs-и Nastran license, HPC queue ва LLM service дар common scale муқоиса нашудаанд.

Кадом натиҷаҳоро таҳқиқот дастгирӣ мекунад?

• Пайваст кардани finite-element output бо design variables ва physical regions ба LLM имкон додааст, ки бо шумораи ками analysis feasible designs пешниҳод кунад.
• Best LLM run бо 201 evaluation initial wing-box mass-ро 28,42 percent кам кардааст.
• Ба 31,23 percent result-и genetic algorithm то 2,81 percentage point наздик шудааст.
• Шумораи FEM evaluations аз 36.000 ба 201 кам шуда, sampling difference-и 179x пайдо шудааст.
• Sequential LLM method дар ин problem бо evaluations-и камтар аз population method mass-и андаке пасттар додааст.
• Result difference байни Claude Opus ва Claude Sonnet аз difference байни sequential ва population methods хурдтар будааст.
• LLM ва genetic algorithm ба ҳамон strain ва buckling limits бо material distributions-и гуногун расидаанд.
• Structured engineering feedback нисбат ба scalar objective value танҳо optimization interface-и бойтар сохтааст.

Кадом натиҷаҳоро таҳқиқот исбот намекунад?

• Исбот намекунад, ки LLM-ҳо дар ҳамаи structural optimization problems аз genetic algorithms 179x efficient-таранд.
• 179x value на барои wall-clock time, electricity, cost ё total CPU time, балки танҳо барои FEM evaluation count аст.
• Experimental verification нест, ки LLM result дар real composite wing manufacturable ё airworthy аст.
• Нишон дода нашудааст, ки LLM метавонад structural engineer-ро иваз кунад.
• Single-run results далели statistical superiority байни methods нестанд.
• Нишон дода нашудааст, ки NSGA-II ҳамаи genetic, evolutionary ё surrogate-based methods-ро намояндагӣ мекунад.
• Нишон дода нашудааст, ки design дар negative-g, gust, flutter ва тамоми certification loads safe аст.
• Азбаски ply angles, stacking sequence ва stringer count optimized нашудаанд, full composite design space омӯхта нашудааст.
• Нишон дода нашудааст, ки LLM худ physics equations-ро solve мекунад ё Nastran analysis-ро иваз мекунад; physical evaluation ҳанӯз аз finite-element solver меояд.

Ин барои Туркия чӣ маъно дорад?

Муҳимтарин паём барои Туркия ин аст, ки AI метавонад дар муҳандисӣ на танҳо барои text generation ё code assistance, балки ҳамчун decision layer болои existing CAE infrastructure истифода шавад. Вақте finite-element solver physical evaluation мекунад, LLM метавонад critical regions, safety margins ва таъсири design variables-ро шарҳ дода, қарор диҳад, ки analysis-и баъдӣ дар куҷо анҷом шавад.

Ин approach метавонад дар composite aircraft structures, UAVs, satellite ва launch systems, automotive lightweighting, wind-turbine blades ва дигар high-cost analysis problems дар Туркия таҳқиқ шавад. Хусусан дар problems, ки як finite-element solution соатҳо мегирад ё software licenses-и зиёд талаб мекунад, кам кардани analysis count метавонад муҳим бошад.

Барои local application design rules бояд ба manufacturing limits-и engineering organizations дар Туркия мутобиқ шаванд, retrieval system барои дастрасии бехатар ба internal historical designs сохта шавад, results бо multiple load cases ва physical testing verify шаванд ва suggestions-и LLM аз expert approval гузаранд.

Усул ва бозёфтҳои таҳқиқот

Хулосаи техникии research design

Панҷ optimization strategy-и муқоисашуда

Бозёфтҳои асосии ададӣ

1. Genetic algorithm normalized mass-ро аз 1,0000 то 0,6877 кам кардааст.
2. Best LLM result бо Claude Opus sequential method 0,7158 аст.
3. Normalized-mass difference байни best LLM ва genetic algorithm 0,0281 аст.
4. LLM тақрибан 698 kg ва genetic algorithm тақрибан 767 kg аз reference mass сарфа кардааст.
5. Approximate dimensional mass difference байни LLM ва genetic algorithm 69 kg аст.
6. Байни 201 evaluation-и LLM ва 36.000 evaluation-и genetic algorithm 179,1x difference вуҷуд дорад.
7. Чор LLM result дар 0,7158–0,7260, дар band-и тангтар аз як percentage point, ҷамъ шудаанд.
8. Ду sequential method mass-и пасттар аз population methods-и ҳамон models додаанд.
9. Active ply strain дар ҳамаи optimums дар 1.951–1.972 µε монд.
10. Minimum buckling load factor дар 1,562–1,607 ва болои limit-и 1,5 монд.

Паёми техникии графикҳо ва расмҳо

• Figure 1: Parametric placement-и ribs, spar caps ва stringers дар generalized η–ξ coordinates.
• Figure 2: Skin, spar cap, spar web, rib ва stringer finite-element categories назди wing root.
• Figure 3: Lumped masses ва doublet-lattice aerodynamic panel mesh болои structural mesh.
• Figure 4: Муқоисаи detailed fuselage ва lumped fuselage model ва нишон додани истифодаи lumped model.
• Figure 5: Data flow-и Furor model generation, SOL 144, SOL 105 ва objective-constraint aggregation.
• Figure 6: Табдили root, kink ва tip control values ба manufacturable stepped ply thickness.
• Figure 7: Closed loop аз LLM provider, prompt builder, decoder, Furor, decision maker ва history archive.
• Figure 8: LLM methods дар 201–1.001 evaluation тақрибан 0,72 ва genetic algorithm дар 36.000 evaluation 0,688.
• Figure 9: Ply strain ва buckling ҳамчун active constraints ва Hoffman ва stringer stresses ҳамчун secondary constraints.
• Figure 10: Муқоисаи design philosophies: LLM material-ро дар wing kink мутамарказ мекунад, genetic algorithm distributed sizing-ро истифода мекунад.
• Figure 11: Deformation ва fiber-direction strain distributions-и шаш design дар same color scale.

Қувваҳои методологӣ

• LLM ва genetic algorithm same design space, same Nastran model ва same constraints истифода кардаанд.
• Finite-element model барои ҳар candidate аз аввал худкор бозсозӣ шудааст.
• Topological region labels байни designs нигоҳ дошта шудаанд.
• LLM outputs бо fixed JSON schema маҳдуд шудаанд.
• Invalid designs ё designs, ки monotonicity rule-ро мешикананд, ба nearest permissible point projected шудаанд.
• FEM evaluations, LLM calls ва token consumption separately reported шудаанд.
• Final designs на танҳо бо mass, балки бо strain, damage, buckling ва displacement муқоиса шудаанд.
• Software version, operators, population ва random seed-и genetic algorithm шарҳ дода шудаанд.

Маҳдудиятҳои методологӣ

• Ҳар optimization configuration танҳо як бор run шудааст.
• Genetic algorithm бо як random seed арзёбӣ шудааст.
• Temperature parameter дар Claude models идора нашуда, provider default sampling истифода шудааст.
• LLM-ҳо closed hosted models мебошанд; model weights ва service behavior метавонанд бо вақт тағйир ёбанд.
• Decoder баъзе invalid suggestions-ро auto-repair мекунад, аз ин рӯ raw LLM success ва whole-system success пурра ҷудо нашудаанд.
• LLM танҳо бо rich semantic report санҷида шудааст; direct ablation run бо танҳо scalar objectives ва constraints вуҷуд надорад.
• Direct comparison бо CMA-ES, differential evolution, Bayesian optimization ё surrogate-assisted methods анҷом нашудааст.
• FEM model дар дохили ин study бо physical wing ё subcomponent test validation нашудааст.
• Танҳо як aircraft geometry ва як load case истифода шудаанд.
• Ply angles, stacking order ва stringer count fixed мебошанд.
• Absolute wall-clock time, electricity consumption ва monetary cost comparison дода нашудааст.
• Public Furor ё LLMopt code repository нишон дода нашудааст.

Фарқиятҳои ҳуҷҷатгузории дар матн муайяншуда

• Peak strain-и reference design дар Figure 11 1.895 µε ва дар Table 6 1.896 µε аст.
• Semantic Design Report дар methods section бо шаш block ва дар results section бо чор core block ҷамъбаст шудааст.
• Дар чор блоки results region narrative ҳисоб шудааст, аммо дар main six-block list slack regions, header ва aggregated constraints ҳамчун sections-и ҷудогона ҳастанд.
• Гарчанде навишта шудааст, ки small refinement moves барои improving designs preferred аст, initial recommendation барои new champion 70 percent exploration ва 30 percent refinement аст; policy text ин ratio-ро flexible starting point меномад.

Ёддошти манбаъ ва усул

Номи пурраи аслии таҳқиқот: Large language models as efficient designers of composite wing-box structures via semantic feedback

Муаллиф: Luca Pustina.

Тартиби муаллифон: Таҳқиқот single-author аст.

Equal first author: Изҳороти equal first authorship ё equal contribution вуҷуд надорад.

Corresponding author: Luca Pustina.

E-mail-и corresponding author: luca.pustina@uniroma1.it

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

DOI:10.2139/ssrn.6952641

Publication platform: SSRN.

Official SSRN record date: 16 июни 2026.

Publication year: 2026.

Journal: Peer-reviewed journal ё final journal publication тасдиқ нашудааст.

Original publisher: Final journal publisher вуҷуд надорад. Таҳқиқот дар SSRN preprint platform-и Elsevier мубодила шудааст.

Source type: Preprint research article бо finite-element analyses, structural optimization ва LLM-controlled computational experiments.

Peer-review status: Таҳқиқот аз peer review нагузаштааст. Дар саҳифаи аввал ва баъдӣ warning-и “This preprint research paper has not been peer reviewed” мавҷуд аст.

Official source link:https://ssrn.com/abstract=6952641

Funding ва project context: Таҳқиқот ҳамчун research activity дар Italy’s PNRR CN4 MOST Sustainable Mobility research program, Spoke 1 “Air Mobility”, project CN_00000023 ва Work Package 5 гузориш шудааст.

Conflict of interest: Муаллиф изҳор кардааст, ки known financial interest ё personal relationship-и таъсиргузор ба таҳқиқот вуҷуд надорад.

Generative AI statement: Муаллиф гуфтааст, ки Claude-ро барои беҳтар кардани readability ва conciseness-и manuscript истифода кард, баъд content-ро review ва edit кард ва responsibility-ро қабул мекунад. Ин истифода аз LLM optimization campaigns-и дар мақола санҷидашуда ҷудо буда, ба writing process тааллуқ дорад.

Code ва data access: Furor ва LLMopt ҳамчун internal frameworks тавсиф шудаанд. Public code repository ё open data link бо тамоми campaign data дода нашудааст. Example Semantic Design Report ва prompt sections дар appendices мавҷуданд.

Ин шарҳи илмии тоҷикӣ бо баррасии text, equations, tables, finite-element visuals, optimization graphs ва appendices-и uploaded study омода шудааст. Scientific content танҳо ба methods ва results-и reported дар study такя мекунад. External sources танҳо барои bibliographic verification-и title, author identity, affiliation, DOI, SSRN record, platform nature ва publication status истифода шудаанд.

Маҳдудиятҳои асосӣ инҳоянд: peer review надоштан, physical experiment надоштан, истифодаи як wing box ва як load case, набудани independent repeats барои ҳар optimization method, closed-service будани LLM models, набудани broader algorithm comparisons ва он ки 179x result танҳо ба FEM evaluation count такя мекунад.

Натиҷаҳо нишон медиҳанд, ки structured engineering feedback-и ба physical regions пайваст метавонад LLM-ҳоро ба effective candidate generators дар finite-element optimization loop табдил диҳад. Бозёфтҳо набояд чунин тафсир шаванд, ки LLM-ҳо certified aircraft design-ро бе human supervision иҷро мекунанд ё finite-element solver-ро иваз мекунанд.