Vai trò của Trí tuệ Nhân tạo và Học máy trong Kỹ thuật Cơ khí - Tổng quan
10 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.109.2026.3-13Từ khóa:
Trí tuệ nhân tạo; Học máy; Công nghiệp 4.0; Kỹ thuật cơ khí.Tóm tắt
Bài báo này trình bày tổng quan về vai trò của trí tuệ nhân tạo (AI) và học máy (ML) trong việc thúc đẩy kỹ thuật cơ khí, nhấn mạnh vào các ứng dụng cụ thể trong từng lĩnh vực đã thúc đẩy tiến bộ công nghệ gần đây. Các ứng dụng như bảo trì dự đoán, đánh giá tính toàn vẹn kết cấu, tối ưu hóa thiết kế thông minh, kiểm tra chất lượng tự động và nâng cao hệ thống năng lượng tái tạo chứng minh khả năng của các phương pháp AI – bao gồm mạng nơ-ron sâu và học tăng cường – trong việc cải thiện hiệu quả hoạt động, giảm thiểu chi phí vận hành và thúc đẩy các giải pháp kỹ thuật bền vững. Bên cạnh các ứng dụng riêng lẻ, bài tổng quan thảo luận về các thuộc tính cơ bản của AI, bao gồm khả năng thích ứng của mô hình, khả năng giải thích và sự kết hợp giữa các kỹ thuật dựa trên dữ liệu với các khung lý thuyết dựa trên vật lý, cho phép áp dụng rộng rãi trên các lĩnh vực kỹ thuật cơ khí. Mặc dù có những tiến bộ này, vẫn còn những vấn đề chưa được giải quyết, đặc biệt là về độ tin cậy của mô hình, chi phí tính toán và tính sẵn có của dữ liệu chất lượng cao. Bằng cách tổng hợp các kết quả nghiên cứu gần đây, nêu bật những hạn chế hiện có và đề xuất các hướng nghiên cứu tiềm năng, bài tổng quan này nhằm cung cấp những hiểu biết có giá trị cho cả các nhà nghiên cứu học thuật và các chuyên gia trong ngành kỹ thuật cơ khí.
Tài liệu tham khảo
[1]. H. S. Kang et al., “Smart Manufacturing: Past Research, Present Findings, and Future Directions”, vol. 3, no. 1, pp. 111–128, (2016). DOI: https://doi.org/10.1007/s40684-016-0015-5
[2]. J. Lee, B. Bagheri, and H. Kao, “A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems”, Manuf. Lett., vol. 3, pp. 18–23, (2015). DOI: https://doi.org/10.1016/j.mfglet.2014.12.001
[3]. K. Sultanabanu, S. Liyakat, K. Kutubuddin, and S. Liyakat, “Integrating IoT and Mechanical Systems in Mechanical Engineering Applications”, J. Mech. Robot., vol. 3, no. 3, pp. 1–6, (2023).
[4]. F. Artkin, “Applications of Artificial Intelligence in Mechanical Engineering”, Eur. J. Sci. Technol., no. 45, pp. 159–163, (2022). DOI: https://doi.org/10.31590/ejosat.1224045
[5]. H. Kuchuk and E. Malokhvii, “Integration of IoT with cloud, fog, and edge computing: a review”, Adv. Inf. Syst., vol. 8, pp. 65–78, (2024). DOI: https://doi.org/10.20998/2522-9052.2024.2.08
[6]. A. Diez-olivan, J. Del Ser, D. Galar, and B. Sierra, “Data Fusion and Machine Learning for Industrial Prognosis: Trends and Perspectives towards Industry 4.0”, Inf. Fusion, pp. 1–6, (2018). DOI: https://doi.org/10.1016/j.inffus.2018.10.005
[7]. J. F. Arinez and R. X. Gao, “Artificial Intelligence in Advanced Manufacturing: Current Status and Future Outlook”, vol. 142, no. November, pp. 1–16, (2020). DOI: https://doi.org/10.1115/1.4047855
[8]. A. R. Patel, K. K. Ramaiya, C. V Bhatia, H. N. Shah, and S. N. Bhavsar, “Artificial Intelligence: Prospect in Mechanical Engineering Field — A Review”, Springer Singapore, pp. 34–46, (2021).
[9]. Xu and X. Zhang, “Application of Artificial Intelligence in Mechanical Engineering”, Mater. Sci. Eng., pp. 1–6, (2020).
[10]. J. Jenis, J. Ondriga, S. Hrcek, F. Brumercik, M. Cuchor, and E. Sadovsky, “Engineering Applications of Artificial Intelligence in Mechanical Design and Optimization”, Mach. Rev., pp. 1–40, (2023). DOI: https://doi.org/10.3390/machines11060577
[11]. S. Ingle and M. Phute, “Tesla Autopilot: Semi Autonomous Driving, an Uptick for Future Autonomy”, pp. 369–372, (2016).
[12]. J. Yan, Y. Meng, L. Lu, and L. Li, “Industrial Big Data in an Industry 4.0 Environment: Challenges, Schemes and Applications for Predictive Maintenance”, IEEE Access, pp. 1–6, (2017). DOI: https://doi.org/10.1109/ACCESS.2017.2765544
[13]. D. Emadi and M. Mahfoud, “Comparison of artificial neural network and multiple regression analysis techniques in predicting the mechanical properties of A356 alloy”, Procedia Eng., vol. 10, pp. 589–594, (2011). DOI: https://doi.org/10.1016/j.proeng.2011.04.098
[14]. D. Submitted, P. Fulfilment, D. Science, A. Centre, and D. Science, “Big data analytics for predictive system maintenance using machine learning and artificial neural network models”, African Cent. Excell. data Sci., no. September, pp. 369–372, (2020).
[15]. Z. Chen, K. Gryllias, and W. Li, “Mechanical fault diagnosis using Convolutional Neural Networks and Extreme Learning Machine”, Mech. Syst. Signal Process., vol. 133, art. no. 106272, (2019). DOI: https://doi.org/10.1016/j.ymssp.2019.106272
[16]. Z. Azam, M. Islam, and M. N. Huda, “Comparative Analysis of Intrusion Detection Systems and Machine Learning-Based Model Analysis Through Decision Tree”, vol. 11, no. July, pp. 369–372, (2023). DOI: https://doi.org/10.1109/ACCESS.2023.3296444
[17]. U. Çaydaş and S. Ekici, “Support vector machines models for surface roughness prediction in CNC turning of AISI 304 austenitic stainless steel”, J. Intell. Manuf., vol. 23, no. 3, pp. 639–650, (2012). DOI: https://doi.org/10.1007/s10845-010-0415-2
[18]. P. Cawley, “Structural health monitoring: Closing the gap between research and industrial deployment”, Orig. Artic., pp. 1–8, (2018).
[19]. A. Kumar and P. V Tsvetkov, “A new approach to nuclear reactor design optimization using genetic algorithms and regression analysis”, Ann. Nucl. Energy, vol. 85, pp. 27–35, (2015). DOI: https://doi.org/10.1016/j.anucene.2015.04.028
[20]. J. Roshanian and A. A. Bataleblu, “A novel evolution control strategy for surrogate-assisted design optimization”, Struct. Multidiscip. Optim., pp. 569–572, (2018). DOI: https://doi.org/10.1007/s00158-018-1969-4
[21]. K. Yonekura and H. Hattori, “Framework for design optimization using deep reinforcement learning”, Struct. Multidiscip. Optim., pp. 348–355, (2019).
[22]. H. M. Torun, S. Member, and M. Swaminathan, “A Global Bayesian Optimization Algorithm and Its Application to Integrated System Design”, IEEE Trans. very large scale Integr. Syst., pp. 1–11, (2018).
[23]. J. Tang, G. Liu, and Q. Pan, “A Review on Representative Swarm Intelligence Algorithms for Solving Optimization Problems: Applications and Trends”, IEEE/CAA J. Autom. Sin., vol. 8, no. 10, pp. 1627–1643, (2021). DOI: https://doi.org/10.1109/JAS.2021.1004129
[24]. Z. Meng, G. Li, X. Wang, S. M. Sait, and A. Rıza, “A Comparative Study of Metaheuristic Algorithms for Reliability-Based Design Optimization Problems”, Arch. Comput. Methods Eng., no. 1, pp. 376–382, (2020).
[25]. R. Talib, N. Nabil, and W. Choi, “Optimization-Based Data-Enabled Modeling Technique for HVAC Systems Components”, Build. Artic., pp. 1–17, (2020). DOI: https://doi.org/10.3390/buildings10090163
[26]. G. Materials, “Machine Learning for Additive Manufacturing of Functionally Graded Materials”, Materials (Basel), pp. 39–46, (2024).
[27]. J. Hoon and K. Chen, “A review of artificial intelligence application for machining surface quality prediction: from key factors to model development”, J. Intell. Manuf., pp. 127–143, (2025).
