Ushbu tadqiqot katta til modellari faqat sonli nomzodlar ishlab chiqaradigan optimallashtirish vositalari emas, balki chekli element tahlillaridan keladigan tuzilgan muhandislik ma’lumotlarini sharhlaydigan raqamli loyihachilar sifatida ishlatilishi mumkinmi, degan savolni o‘rgangan. Ko‘rib chiqilgan muammo 90 yo‘lovchili mintaqaviy samolyotning uglerod/epoksi kompozit qanot qutisini massa, birinchi qatlam shikastlanishi, Hoffman sinish indeksi, stringer kuchlanishlari va bukilish chegaralarini birgalikda hisobga olgan holda yengillashtirishdir.

Tadqiqotchi har bir Nastran tahlili faqat maqsad funksiyasi va cheklov qiymatlarini emas, balki qaysi konstruktiv hududlar kritik ekanini, qaysi dizayn o‘zgaruvchilari bu hududlarni boshqarishini, bir o‘zgaruvchining massaga ta’sirini, eng past bukilish modlarining joylashuvini va yupqalashtirilishi mumkin bo‘lgan bo‘sh hududlarni tushuntiradigan Semantic Design Report ishlab chiqqan. Claude Sonnet va Claude Opus modellari ushbu hisobotni o‘qib, keyingi qanot qutisi dizaynini taklif qilgan. Ketma-ket usulda har iteratsiyada bitta, populyatsion usulda esa o‘nta nomzod baholangan.

Eng yaxshi LLM natijasi Claude Opus ishlatilgan ketma-ket usulda 201 ta chekli element baholashi bilan referens qanot qutisi massasini 28,42 foizga kamaytirgan. Genetik algoritm 36.000 ta baholash bilan 31,23 foiz kamayish bergan. Shunday qilib LLM genetik algoritmning normallashtirilgan massa natijasiga 2,81 foiz punktigacha yaqinlashgan va bunda 179 marta kam chekli element baholashidan foydalangan. Biroq bu nisbat real ish vaqtida, energiya sarfida yoki pul xarajatida 179 martalik yutuqni anglatmaydi; u faqat chekli element yechimlari sonini taqqoslaydi.

Tadqiqot bitta mintaqaviy samolyot geometriyasi, sobit kompozit qatlam ketma-ketligi va bitta simmetrik musbat-g manevri bilan cheklangan. Manfiy-g, shamol zarbasi, burilish, yer yuklari, flutter, ishlab chiqarish nuqsonlari va butun samolyot darajasidagi yoqilg‘i-konstruksiya qayta aloqasi optimallashtirish sikliga kiritilmagan. Ish, shuningdek, peer review dan o‘tmagan preprintdir.

Tadqiqotning asosiy savoli nima?

Klassik konstruktiv optimallashtirish algoritmlari bir dizaynning chekli element tahlilidan odatda bitta maqsad qiymati va bir nechta cheklov qiymatini oladi. Masalan, algoritm qanot qutisi massasini, eng yuqori shikastlanish nisbatini va eng past bukilish koeffitsientini ko‘rishi mumkin; lekin shikast qaysi panelda paydo bo‘lganini, qaysi dizayn o‘zgaruvchisi o‘sha panelni boshqarishini yoki qaysi bo‘sh hududdan xavfsiz tarzda material olib tashlash mumkinligini bevosita tushunmaydi.

Tadqiqotning asosiy savoli shunday: katta til modeli har bir yechimdan so‘ng konstruktiv muhandislar ishlatadigan tilga o‘girilgan batafsil baholashni olsa, klassik qora-quti optimallashtirishiga qaraganda ancha kam tahlil bilan amaliy qanot qutisi dizayniga erisha oladimi?

Tadqiqotchi bu savolni uchta kichik muammo orqali o‘rgangan:

• Chekli element natijalari katta til modeli tushunadigan, ammo muhandislik tafsilotlarini yo‘qotmaydigan hisobotga qanday aylantiriladi?
• Katta til modeli bir dizayn o‘zgaruvchisi bilan kuchlanish, qatlam shikasti, bukilish va massa o‘rtasidagi munosabatlardan foydalanib yangi nomzodlarni taklif qila oladimi?
• Bu yondashuv ayni qanot qutisini optimallashtiruvchi 36.000 baholashli genetik algoritmga nisbatan nechog‘li kam chekli element yechimidan foydalanadi?

Nega faqat maqsad funksiyasini berish yetarli emas?

Genetik algoritm uchun “normallashtirilgan massa 0,75 va eng yomon cheklov 0,98” ma’lumoti nomzodlarni tartiblash uchun yetarli bo‘lishi mumkin. Katta til modeli uchun esa bu ikki raqam dizayn nega muvaffaqiyatli yoki muvaffaqiyatsiz ekanini tushuntirmaydi. Model faqat sonlarni o‘zgartirib oldinga borsa, fizik tizimni tushunadigan loyihachidan ko‘ra tabiiy til bilan ishlaydigan mutatsiya operatoriga aylanadi.

Tadqiqotda ishlab chiqilgan yondashuv sonli natijani konstruktiv sabablar bilan bog‘laydi. Masalan, hisobot past bukilish koeffitsienti tashqi qanot terisidagi ma’lum bir paneldan kelib chiqqanini, bu panel qalinligini qaysi o‘zgaruvchi boshqarishini va tegishli o‘zgaruvchini bir bosqich oshirish normallashtirilgan massani qancha ko‘tarishini bildiradi. Shu tariqa model “umuman qalinlashtir” o‘rniga “bukilish modi jamlangan o‘rta span hududini bir bosqich kuchaytir, bo‘sh uch hududidan material olib tashla” kabi qaror qabul qilishi mumkin.

Semantic Design Report nima?

Semantic Design Report har bir statik aeroelastik va bukilish tahlilidan keyin avtomatik yaratiladigan tuzilgan muhandislik brifingidir. Asosiy usul bo‘limida hisobot olti blok bilan ta’riflangan:

Tadqiqotning hissalar va natijalar bo‘limlarida hisobot hududga asoslangan rivoyatlarni ham berishi aytiladi. B ilovasidagi izohga ko‘ra, uzunroq va odam o‘qiy oladigan arxiv to‘liq hudud jadvali, komponent darajasidagi natijalar va hudud izohlarini o‘z ichiga olishi mumkin. Prompt ichida ishlatilgan qisqaroq versiya esa kritik ma’lumotlarni kontekst oynasidan oshirmasdan taqdim etish uchun cheklangan.

Chekli element modeli qanday avtomatik yaratilgan?

Furor nomli ichki framework 19 o‘zgaruvchili dizayn vektorini inson aralashuvisiz ishlaydigan Nastran modeliga aylantiradi. Ish oqimi to‘rtta asosiy bosqichdan iborat:

1. CAD geometriyasi: OpenCASCADE yordamida qanot qutisining tashqi yuzasi, old va orqa sparlar, ribs, spar caps va stringerlar yaratilgan.
2. Umumlashtirilgan koordinatalarda topologik kesishlar: Ichki tuzilmalar span yo‘nalishida η va chord yo‘nalishida ξ koordinatalari bilan joylashtirilgan.
3. GMSH bilan mesh yaratish: Teri va spar web larda muntazam to‘rtburchak elementlar, rib va o‘tish hududlarida esa to‘rtburchak og‘irlikli notekis elementlar ishlatilgan.
4. Nastran input fayli: Kompozit shellar PCOMP, stringerlar CBAR, jamlangan massalar CONM2 va yuk taqsimlovchi ulanishlar RBE3 kartalariga aylantirilgan.

1-rasm ikki qanot bay idagi rib, spar cap va stringer chiziqlarini η–ξ koordinatalarida ko‘rsatadi. 2-rasm chekli element mesh ichidagi oltita konstruktiv kategoriyani; 3-rasm esa ayni konstruksiyaga qo‘shilgan aeroelastik panel mesh va jamlangan massalarni ko‘rsatadi. Ushbu doimiy hudud teglar tufayli dizayn o‘zgarsa ham natijalar “root spar web”, “mid-span skin” yoki “tip stringer” kabi bir xil muhandislik hududlariga bog‘langan.

Aeroelastik tahlil zanjiri qanday ishlagan?

Har bir nomzod uchun uchta asosiy hisoblash bloki ishga tushirilgan:

Aerodinamik yuklar har bir yangi konstruktiv nomzod uchun deformatsiyalangan qanot ustida qayta hisoblangan. Bunga qarshi ravishda, dvigatel, yoqilg‘i, fuselage, tail, payload, landing gear va system massalari optimallashtirishdan oldin bajarilgan yagona multidisciplinary analysis dan olingan va sobit saqlangan.

Taqqoslashda ishlatilgan jamlangan fuselage modeli fuselageni batafsil chekli element shellari o‘rniga mass markazidagi bitta rigid point mass bilan ifodalagan. Wing, horizontal tail va vertical tail aeroelastik modelda mavjud bo‘lsa-da, faqat wing-box ichki tuzilmasi optimallashtirish o‘zgaruvchilaridan ta’sirlangan.

Ko‘rib chiqilgan samolyot va qanot qutisi xususiyatlari qanday?

Qanot qutisi ikki sparli va ikki span bay li tuzilma. Kink nuqtasi dvigatel pylon ulanishida. Skin, spar web, rib web va spar cap lar kompozit shellar bilan; stringerlar esa bar elementlar bilan modellashtirilgan.

Kompozit qatlam tuzilishi qanday?

Skin, spar web va rib web larda sobit quasi-isotropic layup ishlatilgan:

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

Pastki indeks s layup o‘rta tekislikka nisbatan simmetrik ekanini bildiradi. Nastran modelida to‘rtta orientation block aniqlanib, symmetry option orqali sakkiz blokli to‘liq laminatga kengaytirilgan. Har bir prepreg ply ning nominal qalinligi 0,05 mm.

Spar caps va stringerlar span yo‘nalishiga moslashtirilgan unidirectional carbon laminatlar sifatida ko‘rilgan. Tadqiqot ply angle larni optimallashtirish o‘zgaruvchisiga aylantirmagan; shu bilan taqqoslashni katta til modeli va genetik algoritmning qidiruv xatti-harakatiga qaratishni maqsad qilgan.

Mustahkamlik qiymatlariga 50 foiz damage tolerance va fatigue knockdown factor qo‘llangan. Skin va spar web larda har orientation block uchun kamida 0,20 mm qalinlik majburiy qilingan. Simmetrik sakkiz blokli tuzilma hisobga olinganda bu limit jami 1,6 mm ishlab chiqarish minimumiga teng.

Qaysi dizayn o‘zgaruvchilari ishlatilgan?

Optimallashtirish vektori 19 ta yuqori darajali o‘zgaruvchidan iborat:

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

Dastlabki besh guruh root, wing kink va tip control station larda uchtadan qiymat olib, 15 ta sizing variable hosil qiladi. Oxirgi guruh ikki bay dagi rib soni va rib taqsimotini belgilaydigan to‘rtta topology variable ni o‘z ichiga oladi.

Ichki va tashqi bay dagi stringer sonlari mos ravishda to‘qqiz va to‘rt qilib sobitlangan. Ply orientation lar ham sobit. Shunday qilib tadqiqot barcha mumkin bo‘lgan kompozit wing-box o‘zgaruvchilarini emas, balki cheklangan, ammo muhandislik jihatdan mazmunli 19 o‘zgaruvchili kichik muammoni yechgan.

Rib joylashuvi qanday aniqlangan?

Har bir wing bay dagi rib position lar bir xil taqsimot bilan root tomonga yig‘ilgan cosine distribution kombinatsiyasi orqali hisoblangan:

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

Bu yerda η_k tegishli bay ichidagi o‘lchamsiz rib position ni; N_b rib sonini; k rib indeksini; c_b esa 0 bilan 1 orasidagi cosine-distribution weight ni bildiradi.

• c_b = 0 bo‘lganda riblar teng oraliqda joylashadi.
• c_b = 1 bo‘lganda riblar yuqori bending va shear yuklar bo‘lgan bay root tomonga ko‘proq to‘planadi.

Root, kink va tip station lardagi sizing qiymatlari span bo‘ylab chiziqli interpolatsiya qilingan; har panel region ga o‘rta nuqtasidagi qiymat berilgan. Kompozit qalinliklar keyin 0,05 mm li ishlab chiqarish mumkin bo‘lgan ply step ga yaxlitlangan. 6-rasm uzluksiz control-point curve ning chekli element modelida pog‘onali ply-thickness distribution ga qanday aylantirilishini ko‘rsatadi.

Optimallashtirish maqsadi qanday aniqlangan?

Maqsad qanot qutisi massasini boshlang‘ich qo‘lda sizing qilingan dizayn massasiga nisbatan kamaytirish:

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

Bu yerda m_WB(x) nomzod wing-box ning kg dagi massasini, m_WB⁽⁰⁾ = 2.456 kg boshlang‘ich massani va m̄_WB o‘lchamsiz normallashtirilgan massani bildiradi. Boshlang‘ich dizayn uchun m̄_WB = 1.

Optimallashtirish muammosi tadqiqotda quyidagi ixcham ko‘rinishda berilgan:

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

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

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

Oxirgi tengsizlik skin va spar-web qalinligi root dan tip ga qarab oshmasligini ta’minlaydigan structural taper rule dir.

Qaysi shikast va xavfsizlik cheklovlari qo‘llangan?

Ko‘p sonli element va mode cheklovlari Kreisselmeier–Steinhauser funksiyasi bilan silliq tarzda agregatsiya qilingan. Tadqiqot KS funksiyasining batafsil matematik yoyilmasini bermaydi, ammo shikast cheklovlarida ρ = 80 va besh bukilish modi uchun ρ = 30 smoothing parameter ishlatgan.

Qaysi parvoz yuki qo‘llangan?

Qanot qutisi bitta simmetrik musbat-g pull-up manevrida sizing qilingan:

Manfiy-g, discrete gust, rolling pull-up, ground loads va flutter analysis bu taqqoslashga kiritilmagan. Shu sabab olingan optimum sertifikatsiya load envelope ning barchasi uchun tasdiqlangan samolyot qanoti emas.

LLMopt sikli qanday ishlagan?

Har iteratsiyada katta til modeli joriy eng yaxshi feasible dizaynni, yaqin tarixda sinab ko‘rilgan dizaynlarni va Semantic Design Report ni o‘qigan. Model sobit JSON schema da yangi design variable larni, harakat sababini va candidate type ni yaratgan.

Barcha o‘zgaruvchilar muhandislik birliklari o‘rniga o‘z quyi va yuqori chegaralari orasidagi 0–100 foiz position bilan ifodalangan. Decoder bu foizni fizik qiymatga aylantirgan, ruxsat etilgan ishlab chiqarish step iga yaxlitlagan va root ≥ kink ≥ tip qoidasi avtomatik qo‘llangan. Yetishmaydigan o‘zgaruvchilar joriy champion dizayndan olingan, noto‘g‘ri variable name lar chiqarib tashlangan.

Modelning convergence holati har user message da berilgan. Champion uzoq vaqt yaxshilanmasa kengroq exploration, ketma-ket infeasible candidate lar chiqsa kichikroq recovery harakatlari so‘ralgan. Bu moslashuv model weight larini o‘qitish orqali emas, iteratsiya prompt idagi muhandislik ko‘rsatmalari orqali ta’minlangan.

Ketma-ket va populyatsiya usullari orasidagi farq nima?

Ketma-ket usul kamroq tahlil ishlatgan; populyatsiya usuli esa high-performance computing cluster dagi o‘nta Nastran worker ni bir vaqtda ishlatib, bir iteratsiyaning wall-clock cost ini eng sekin candidate vaqtiga yaqinlashtirgan. Shu sabab “kamroq FEM baholashi” bilan “qisqaroq real ish vaqti” bir xil tushuncha emas.

Genetik algoritm taqqoslash qanday amalga oshirilgan?

Referens usul pymoo kutubxonasidagi NSGA-II algoritmi. Muammo single-objective bo‘lsa ham, NSGA-II feasibility-first constraint handling va genetic operator lar beradigan reference driver sifatida ishlatilgan.

Tadqiqotda genetik algoritm uchun faqat bitta random seed campaign berilgan. Xuddi shuningdek har LLM model va usul kombinatsiyasi uchun bitta campaign xabar qilingan. Shu sabab algoritmlarning run-to-run distribution i, confidence interval yoki statistical superiority si aniqlanmagan.

Convergence curve lar nimani ko‘rsatgan?

8-rasmdagi logaritmik evaluation axis LLM va genetik algoritm orasidagi sampling budget farqini yaqqol ko‘rsatadi. To‘rtta LLM campaign ning barchasi ilk taxminan 30 baholash ichida normallashtirilgan massani 1,00 dan taxminan 0,80 gacha tushirgan. Dastlab hali aktiv bo‘lmagan cheklovlardagi safety margin lar tez ishlatilgan.

Ply strain va buckling cheklovlari taxminan 20–50 LLM baholashi ichida chegara hududiga kelgan. Shu nuqtadan keyin bir region ni yupqalashtirish strain yoki buckling violation keltirib chiqargani sabab progress sekinlashgan va natijalar 0,72 atrofida plato hosil qilgan.

Genetik algoritm ayni constraint boundary larga taxminan 10.000 baholashdan keyin yaqinlashgan. Shunga qaramay uzoqroq qidiruv natijasida LLM dizaynlaridan taxminan uch foiz punkt pastroq massaga erishgan.

Eng yaxshi massa natijalari qanday?

Eng yaxshi LLM natijasi bilan genetik algoritm orasidagi taxminiy massa farqi 69 kg. Tadqiqot ishlatgan normallashtirilgan o‘lchovda farq 0,0281, ya’ni 2,81 foiz punkt.

Baholash soni nisbati:

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

Shu sabab tadqiqot “179 marta kam FEM baholashi” natijasini beradi. Bu ifoda genetik algoritmning 36.000 tahlili bilan eng yaxshi LLM run ning referensni qo‘shgan holdagi 201 tahlilini taqqoslaydi.

Konstruktiv cheklovlar optimumlarda qanchalik ishlatilgan?

Barcha optimumlarda tola yo‘nalishidagi ply strain 2.000 µε limitning 97,6–98,6 foiziga yetgan. Eng past buckling factor lar 1,562–1,607 oralig‘ida bo‘lib, 1,5 limitga yaqin. Ushbu ikki mezon dizaynning active constraint larini tashkil qilgan.

Hoffman indeksi 0,707–0,728 oralig‘ida qolgan va 1,0 limitdan taxminan 27–29 foiz past safety margin saqlagan. Stringer tension va compression cheklovlari ham limiting bo‘lmagan. Demak, barcha usullar o‘xshash konstruktiv boundary ga kelgan, ammo materialni qanot bo‘ylab turlicha taqsimlagan.

LLM va genetik algoritm qanday turli dizaynlar yaratgan?

10-rasm genetik algoritm va LLM dizaynlari ayni cheklov chegarasiga turli konstruktiv strategiyalar bilan yetganini ko‘rsatadi.

• Genetik algoritm skin va spar-web qalinliklarini span bo‘ylab muvozanatliroq taqsimlagan.
• LLM dizaynlari materialni dvigatel pyloni atrofidagi wing-kink station da jamlagan.
• To‘rtta LLM dizaynida inner-bay rib count sakkizdan to‘rttaga tushirilgan; genetik algoritm beshta rib ishlatgan.
• Outer-bay rib count LLM dizaynlarida 10–15, genetik algoritmda 12 bo‘lgan.
• LLM dizaynlarida kink station dagi skin, spar web, spar cap va stringer variable laridan ayrimlari upper bound ga yaqinlashgan.
• Genetik algoritm root skin ni referensning taxminan 41 foizigacha kamaytirgan, LLM dizaynlari esa 62–72 foiz oralig‘ida qoldirgan.

Bu farq LLM hisobotdagi region narration larni ishlatib, “kritik mid-span ni kuchaytir, boshqa regionlarni yupqalashtir” kabi ko‘proq regional design logic yaratganini ko‘rsatadi. Biroq bu strategiya boshqa wing geometry larda ayni natijani berishi isbotlanmagan.

11-rasmdagi strain distribution nimani anglatadi?

11-rasm boshlang‘ich dizayn, genetik algoritm va to‘rtta LLM dizaynini root dan wing kink gacha besh marta kattalashtirilgan deformation bilan ko‘rsatadi. Barcha dizaynlarda eng yuqori fiber-direction strain bir xil umumiy hududda, wing root dagi spanwise spar web da paydo bo‘lgan.

Bu umumiy kritik hudud turli optimallashtirish usullari fizik load path ni o‘zgartirmaganini ko‘rsatadi. Usullar material taqsimotini turlicha tanlagan bo‘lsa-da, positive-g manevridagi asosiy bending va shear yuklari wing root ni hal qiluvchi qilib qoldirgan.

Rasmda boshlang‘ich qiymat 1.895 µε, 6-jadvalda esa 1.896 µε. Bir microstrain farqi natijalar talqinini o‘zgartirmaydi; biroq manba matnda rounding izohi berilmagan.

LLM ishlatishning hisoblash xarajati qanday?

Iteratsiya sonidan ko‘proq chaqiriq bo‘lishining sababi avval baholangan dizayn qayta taklif qilinsa model yana chaqirilgan. Ketma-ket Sonnet run da 32, Opus run da olti takroriy nomzod qayta yaratilgan. Noto‘g‘ri JSON yoki format xatosi kuzatilmagan.

Tadqiqot token miqdorlarini xabar qiladi, ammo API narxini, energiya sarfini yoki LLM chaqiriqlarining karbon ta’sirini hisoblamagan. Nastran litsenziyasi, HPC queue va LLM service ning pul xarajatlari umumiy o‘lchovda taqqoslanmagan.

Tadqiqot qo‘llab-quvvatlaydigan natijalar qaysilar?

• Chekli element output ini design variable lar va fizik regionlar bilan bog‘lash katta til modeliga kam sonli tahlil bilan feasible dizaynlarni taklif qilish imkonini bergan.
• Eng yaxshi LLM run 201 baholashda boshlang‘ich wing-box massasini 28,42 foizga kamaytirgan.
• Genetik algoritmning 31,23 foizlik natijasiga 2,81 foiz punktigacha yaqinlashilgan.
• Chekli element baholashlari soni 36.000 dan 201 ga tushib, 179 martalik sampling farqi hosil bo‘lgan.
• Ketma-ket LLM usuli bu muammoda populyatsiya usulidan kamroq baholash bilan biroz pastroq massa bergan.
• Claude Opus va Claude Sonnet orasidagi natija farqi ketma-ket-populyatsiya usullari orasidagi farqdan kichik qolgan.
• LLM va genetik algoritm bir xil strain va buckling boundary larga turli material taqsimotlari bilan erishgan.
• Tuzilgan muhandislik feedback i faqat scalar objective value dan boyroq optimallashtirish interfeysini yaratgan.

Tadqiqot isbotlamaydigan natijalar qaysilar?

• Tadqiqot katta til modellari barcha structural optimization muammolarida genetik algoritmlardan 179 marta samaraliroq ekanini isbotlamaydi.
• 179 martalik qiymat wall-clock, elektr sarfi, xarajat yoki jami CPU vaqti uchun emas, faqat FEM baholashlar soni uchun.
• LLM natijasi real kompozit qanotda ishlab chiqariladigan yoki parvozga yaroqli ekani tajribada tasdiqlanmagan.
• Katta til modeli structural engineer o‘rnini bosishi mumkinligi ko‘rsatilmagan.
• Bitta run natijalari usullar orasidagi statistical superiority isboti emas.
• NSGA-II barcha genetic, evolutionary yoki surrogate-based optimization usullarini ifodalashi ko‘rsatilmagan.
• Manfiy-g, gust, flutter va barcha certification load lar ostida xavfsiz dizayn olingani ko‘rsatilmagan.
• Ply angles, stacking sequence va stringer count optimallashtirilmagani sabab butun composite design space o‘rganilmagan.
• LLM o‘zi fizik qonunlarni yechgani yoki Nastran tahlilini almashtirgani ko‘rsatilmagan; fizik baholash hanuz finite-element solver tomonidan bajarilgan.

Turkiya nuqtai nazaridan bu nimani anglatadi?

Tadqiqotning Turkiya uchun eng muhim xabari shuki, sun’iy intellekt muhandislikda faqat matn ishlab chiqarish yoki kod yordamchisi sifatida emas, mavjud CAE infratuzilmasi ustida ishlaydigan qaror qatlamiga aylantirilishi mumkin. Finite-element solver fizik baholashni bajarar ekan, katta til modeli kritik hududlar, safety margin lar va design variable lar ta’sirini sharhlab, keyingi tahlil qayerda bajarilishini tanlashi mumkin.

Bu yondashuv Turkiyada kompozit samolyot tuzilmalari, UAV, satellite va launch system lar, automotive lightweighting, wind-turbine blade va shunga o‘xshash yuqori xarajatli tahlil muammolarida o‘rganilishi mumkin. Ayniqsa bitta finite-element solution bir necha soat davom etadigan yoki ko‘plab software license talab qiladigan muammolarda tahlil sonini kamaytirish muhim bo‘lishi mumkin.

Mahalliy qo‘llash uchun design rule larni turk muhandislik tashkilotlarining ishlab chiqarish limitlariga moslashtirish, ichki tarixiy design larni xavfsiz olish mumkin bo‘lgan retrieval system qurish, natijalarni bir nechta load case va fizik test bilan tasdiqlash hamda katta til modeli takliflarini expert approval dan o‘tkazish kerak.

Tadqiqot usuli va topilmalari

Tadqiqot dizaynining texnik xulosasi

Taqqoslangan beshta optimallashtirish strategiyasi

Asosiy sonli topilmalar

1. Genetik algoritm normallashtirilgan massani 1,0000 dan 0,6877 ga tushirgan.
2. Eng yaxshi LLM natijasi Claude Opus ketma-ket usulida 0,7158 bo‘lgan.
3. Eng yaxshi LLM va genetik algoritm orasidagi normallashtirilgan massa farqi 0,0281.
4. LLM referens massadan taxminan 698 kg; genetik algoritm taxminan 767 kg tejagan.
5. LLM va genetik algoritm orasidagi taxminiy o‘lchamli massa farqi 69 kg.
6. LLM ning 201 baholashi bilan genetik algoritmning 36.000 baholashi orasida 179,1 martalik farq bor.
7. To‘rtta LLM natijasi 0,7158–0,7260 oralig‘ida, bir foiz punktidan torroq diapazonda to‘plangan.
8. Ikki ketma-ket usul bir xil modellarning populyatsiya usullariga qaraganda pastroq massa bergan.
9. Active ply strain barcha optimumlarda 1.951–1.972 µε oralig‘ida qolgan.
10. Eng past buckling load factor 1,562–1,607 oralig‘ida va 1,5 limitdan yuqori qolgan.

Grafik va rasmlarning texnik xabari

• 1-rasm: Rib, spar cap va stringerlarning umumlashtirilgan η–ξ koordinatalaridagi parametrik joylashuvini ko‘rsatadi.
• 2-rasm: Wing root yaqinidagi skin, spar cap, spar web, rib va stringer finite-element kategoriyalarini ko‘rsatadi.
• 3-rasm: Structural mesh ustiga qo‘shilgan lumped mass va doublet-lattice aerodynamic panel mesh ni ko‘rsatadi.
• 4-rasm: Batafsil fuselage bilan lumped fuselage modelini taqqoslaydi va ushbu tadqiqotda lumped model ishlatilganini ko‘rsatadi.
• 5-rasm: Furor model yaratish, SOL 144, SOL 105 va objective-constraint aggregation data flow ni ko‘rsatadi.
• 6-rasm: Root, kink va tip control values ning ishlab chiqarish mumkin bo‘lgan pog‘onali ply thickness ga aylantirilishini ko‘rsatadi.
• 7-rasm: LLM provider, prompt builder, decoder, Furor, decision maker va history archive dan iborat closed loop ni ko‘rsatadi.
• 8-rasm: LLM usullari 201–1.001 baholashda taxminan 0,72 ga yetgan, genetik algoritm esa 36.000 baholashda 0,688 ga tushganini ko‘rsatadi.
• 9-rasm: Ply strain va buckling active constraints, Hoffman va stringer stress lari secondary constraints ekanini ko‘rsatadi.
• 10-rasm: LLM materialni wing kink da jamlaydigan, genetik algoritm esa ko‘proq taqsimlangan sizing ishlatadigan design philosophy larini taqqoslaydi.
• 11-rasm: Oltita dizaynning deformation va fiber-direction strain distribution ini ayni color scale da ko‘rsatadi.

Usuliy kuchli tomonlar

• LLM va genetik algoritm ayni design space, ayni Nastran model va ayni constraint larni ishlatgan.
• Finite-element model har nomzod uchun boshidan avtomatik qayta yaratilgan.
• Topological region tag lar dizaynlar o‘rtasida saqlangan.
• LLM output lar sobit JSON schema bilan cheklangan.
• Noto‘g‘ri yoki monotonicity rule ni buzgan dizaynlar eng yaqin ruxsat etilgan nuqtaga projection qilingan.
• FEM baholashlari, LLM chaqiriqlari va token sarfi alohida xabar qilingan.
• Yakuniy dizaynlar faqat massa bilan emas, strain, damage, buckling va displacement bilan ham taqqoslangan.
• Genetik algoritmning software version, operatorlar, population va random seed ma’lumoti berilgan.

Usuliy cheklovlar

• Har bir optimallashtirish konfiguratsiyasi faqat bir marta ishga tushirilgan.
• Genetik algoritm bitta random seed bilan baholangan.
• Claude modellarida temperature parameter boshqarilmagan va provider default sampling ishlatilgan.
• Ishlatilgan LLM lar yopiq va hosted modellar; model weight va service behavior vaqt o‘tishi bilan o‘zgarishi mumkin.
• Decoder ayrim noto‘g‘ri takliflarni avtomatik tuzatgani sabab raw LLM success bilan butun system success to‘liq ajratilmagan.
• LLM faqat boy semantic report bilan sinalgan; ayni modellar faqat scalar objective va constraint lar bilan ishlagan direct ablation run yo‘q.
• NSGA-II dan tashqari CMA-ES, differential evolution, Bayesian optimization yoki surrogate-assisted methods bilan to‘g‘ridan-to‘g‘ri taqqoslash yo‘q.
• FEM model bu tadqiqot ichida fizik qanot yoki subcomponent testi bilan validatsiya qilinmagan.
• Faqat bitta samolyot geometriyasi va bitta load case ishlatilgan.
• Ply angles, stacking order va stringer count sobit.
• Absolute wall-clock, elektr sarfi va pul xarajati taqqoslanmagan.
• Ochiq Furor yoki LLMopt code repository ko‘rsatilmagan.

Matnda aniqlangan hujjatlashtirish farqlari

• Referens dizayn peak strain 11-rasmda 1.895 µε, 6-jadvalda 1.896 µε berilgan.
• Semantic Design Report usul bo‘limida olti blok bilan ta’riflangan, natija bo‘limida esa to‘rtta core block bilan umumlashtirilgan.
• Natija bo‘limidagi to‘rtta blok orasida region narration hisobga olingan, asosiy olti blok ro‘yxatida esa bo‘sh regionlar, header va aggregated constraints alohida bo‘lim sifatida bor.
• Yaxshilanayotgan dizaynlarda kichik refinement movement afzal deb yozilganiga qaramay, yangi champion uchun boshlang‘ich tavsiya 70 foiz exploration va 30 foiz refinement; policy text bu nisbatni flexible starting point sifatida beradi.

Manba va usul eslatmasi

Tadqiqotning to‘liq asl nomi: Large language models as efficient designers of composite wing-box structures via semantic feedback

Muallif: Luca Pustina.

Mualliflar tartibi: Tadqiqot bitta muallifli.

Teng birinchi muallif: Teng birinchi mualliflik yoki teng hissa bayonoti yo‘q.

Mas’ul muallif: Luca Pustina.

Mas’ul muallif e-mail: luca.pustina@uniroma1.it

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

DOI:10.2139/ssrn.6952641

Nashr platformasi: SSRN.

Rasmiy SSRN qayd sanasi: 16 iyun 2026.

Nashr yili: 2026.

Jurnal: Peer-reviewed jurnal yoki final jurnal nashri tasdiqlanmagan.

Asl nashriyot: Final jurnal nashriyoti yo‘q. Tadqiqot Elsevier tarkibidagi SSRN preprint platformasida ulashilgan.

Manba turi: Finite-element analysis, structural optimization va katta til modeli boshqaradigan hisoblash tajribalarini o‘z ichiga olgan preprint research article.

Peer review holati: Tadqiqot peer review dan o‘tmagan. Birinchi va keyingi sahifalarda “This preprint research paper has not been peer reviewed” ogohlantirishi bor.

Rasmiy manba havolasi:https://ssrn.com/abstract=6952641

Moliyalashtirish va loyiha konteksti: Tadqiqot Italiya PNRR CN4 MOST Sustainable Mobility research program, Spoke 1 “Air Mobility”, project CN_00000023 va Work Package 5 doirasida bajarilgan research activity sifatida bildirilgan.

Manfaatlar to‘qnashuvi: Muallif tadqiqotga ta’sir qilishi mumkin bo‘lgan ma’lum moliyaviy manfaat yoki shaxsiy munosabat yo‘qligini bildirgan.

Generativ sun’iy intellekt bayonoti: Muallif tadqiqot matnining o‘qiluvchanligi va qisqaligini yaxshilash uchun Claude dan foydalanganini, keyin kontentni ko‘rib chiqib tahrirlaganini va javobgarlikni o‘z zimmasiga olganini aytgan. Bu foydalanish maqolada sinovdan o‘tkazilgan LLM optimization campaign laridan alohida ravishda matn tayyorlash jarayoniga tegishli.

Kod va ma’lumotga kirish: Furor va LLMopt ichki framework sifatida ta’riflangan. Tadqiqotda public code repository yoki barcha campaign data sini o‘z ichiga oladigan ochiq data link ko‘rsatilmagan. Namuna Semantic Design Report va prompt bo‘limlari ilovalarda berilgan.

Ushbu o‘zbekcha ilmiy izoh yuklangan tadqiqotning matni, tenglamalari, jadvallari, finite-element tasvirlari, optimization graph lari va ilovalarini ko‘rib chiqish asosida tayyorlangan. Ilmiy mazmun faqat tadqiqotda xabar qilingan usul va natijalarga tayanadi. Tashqi manbalar faqat sarlavha, muallif shaxsi, muassasa, DOI, SSRN qaydi, platforma turi va nashr holatini bibliografik tekshirish uchun ishlatilgan.

Tadqiqotning asosiy cheklovlari peer review dan o‘tmagani, fizik tajriba o‘z ichiga olmagani, bitta qanot qutisi va bitta load case ishlatgani, har optimallashtirish usuli uchun mustaqil takrorlar bermagani, LLM modellari yopiq xizmatlar ekani, kengroq algoritm taqqoslashlari yo‘qligi va 179 martalik natija faqat FEM baholashlari soniga asoslanishidir.

Natijalar tuzilgan va fizik hududlar bilan bog‘langan muhandislik feedback i katta til modellarini finite-element optimization siklida samarali candidate generator ga aylantirishi mumkinligini ko‘rsatadi. Topilmalar katta til modellari sertifikatlangan samolyot dizaynini inson nazoratisiz bajara oladi yoki finite-element solver o‘rnini bosa oladi, deb talqin qilinmasligi kerak.