ISSN: 3030-3931, Impact factor: 7,241
Volume 6, issue 2, Mart 2025
https://worldlyjournals.com/index.php/Yangiizlanuvchi
worldly knowledge
OAK Index bazalari :
research gate, research bib.
Qo’shimcha index bazalari:
zenodo, open aire. google scholar.
Original article
569
MASHINASOZLIK OBYEKTLARINING KUCHLANISH-DEFORMATSIYALANISH
HOLATINI SUN'IY INTELLEKT ASOSIDA MODELLASHTIRISH
Jomurodova Zarnigor Ubaydullayevna
Denov tadbirkorlik va pedagogiga universiteti doktaranti
e-mail sabiryakubov@mail.ru
https://orcid.org/0009-0006-0715-6763
UDK 62-5
Rajabov Turaqul Juraqulovich
Denov tadbirkorlik va pedagogika universiteti katta o‘qituvchisi
e-mail rajabov@mail.ru
https://orcid.org/0009-0003-8524-250X
UDK 62-5
Annotatsiya:
Mashinasozlik obyektlarining kuchlanish-deformatsiyalanish holatini aniqlash va
optimallashtirish texnik tahlilning asosiy yo‘nalishlaridan biridir. SI texnologiyalarining joriy
etilishi bu jarayonni tezlashtirish va aniqligini oshirish imkonini beradi. Masalan, neyron
tarmoqlar deformatsiya jarayonlarini oldindan prognoz qilishga, genetik algoritmlar esa optimal
yechimlarni izlashga yordam beradi. Grafik ma’lumotlar bu jarayonlarni vizual tahlil qilish va
turli yondashuvlarni taqqoslash imkonini beradi. An’anaviy hisoblash usullari, jumladan, chekli
elementlar usuli (ChEU) va chekli farqlar usuli (ChFU), ko‘p yillar davomida qo‘llanilib
kelinmoqda. Biroq, bu yondashuvlarning hisoblash murakkabligi va vaqt talab qilishi tufayli
zamonaviy texnologiyalardan, xususan, sun’iy intellekt (SI) modellaridan foydalanish dolzarb
masalaga aylanmoqda.
Kalit so‘zlar:
sun'iy intellekt, kuchlanish-deformatsiyalanish, neyron tarmoqlar, mashina
o‘rganish, genetik algoritmlar, optimallashtirish, mustahkam o‘rganish, mashinasozlik,
modellashtirish, texnik tahlil.
МОДЕЛИРОВАНИЕ СОСТОЯНИЯ НАПРЯЖЕННО-ДЕФОРМИРОВАННОСТИ
МАШИНОСТРОИТЕЛЬНЫХ ОБЪЕКТОВ НА ОСНОВЕ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
Аннотация:
Определение и оптимизация напряженно-деформированного состояния
объектов машиностроения является одним из основных направлений технического
анализа. Внедрение технологий СИ позволяет ускорить и повысить точность этого
процесса. Например, нейронные сети помогают заранее прогнозировать процессы
деформации, а генетические алгоритмы помогают искать оптимальные решения.
Графические данные позволяют визуально проанализировать эти процессы и сравнить
ISSN: 3030-3931, Impact factor: 7,241
Volume 6, issue 2, Mart 2025
https://worldlyjournals.com/index.php/Yangiizlanuvchi
worldly knowledge
OAK Index bazalari :
research gate, research bib.
Qo’shimcha index bazalari:
zenodo, open aire. google scholar.
Original article
570
различные подходы. Традиционные вычислительные методы, включая метод конечных
элементов (EFM) и метод конечных разностей (FDM), используются уже много лет.
Однако из-за вычислительной сложности и трудоемкости этих подходов использование
современных технологий, в частности моделей искусственного интеллекта (СИ),
становится актуальной проблемой.
Ключевые слова
: искусственный интеллект, напряженно-деформированное состояние,
нейронные сети, машинное обучение, генетические алгоритмы, оптимизация, обучение с
подкреплением, машиностроение, моделирование, технический анализ.
MODELING THE STRESS-STRAIN STATE OF MECHANICAL ENGINEERING
OBJECTS USING ARTIFICIAL INTELLIGENCE
Annotation:
Determining and optimizing the stress-strain state of mechanical engineering
objects is one of the main areas of technical analysis. The introduction of AI technologies allows
you to speed up and increase the accuracy of this process. For example, neural networks help to
predict deformation processes in advance, and genetic algorithms help to find optimal solutions.
Graphical data allows you to visually analyze these processes and compare different approaches.
Traditional computational methods, including the finite element method (FEM) and the finite
difference method (FDM), have been used for many years. However, due to the computational
complexity and time-consuming nature of these approaches, the use of modern technologies, in
particular, artificial intelligence (AI) models, is becoming an urgent issue.
Keywords:
artificial intelligence, stress-strain state, neural networks, machine learning, genetic
algorithms, optimization, reinforcement learning, mechanical engineering, modeling, technical
analysis.
Kirish
Sun’iy intellekt yondashuvlari
SI texnologiyalari mashinasozlik obyektlarining kuchlanish
holatini prognoz qilish va optimallashtirish uchun quyidagi yondashuvlar orqali qo‘llanilishi
mumkin:
1.
Neyron tarmoqlar
:
o
Avtomatlashtirilgan tahlil va prognozlashni ta’minlaydi.
o
Oldindan olingan eksperimental va simulyatsion ma’lumotlar asosida o‘rganadi.
o
Mexanik komponentlarning deformatsiya va buzilish jarayonlarini aniq
baholashga yordam beradi.
2.
Mashina o‘rganish algoritmlari
:
o
Chuqur o‘rganish materiallarning elastiklik va plastiklik xususiyatlarini o‘rganish
uchun qo‘llaniladi.
o
Parametrlarni avtomatik ravishda aniqlaydi va moslashtiradi, bu esa hisoblash
jarayonini tezlashtiradi.
3.
Genetik algoritmlar
:
o
Optimal material va konstruktiv parametrlarni topish uchun ishlatiladi.
o
Evolyutsion yondashuvdan foydalangan holda eng yaxshi yechimlarni aniqlashga
yordam beradi, moslashuvchan optimallashtirishni ta’minlaydi.
4.
Mustahkam o‘rganish (Reinforcement Learning)
:
o
O‘zini o‘zi moslashtira oladigan modellar yaratishga imkon beradi.
ISSN: 3030-3931, Impact factor: 7,241
Volume 6, issue 2, Mart 2025
https://worldlyjournals.com/index.php/Yangiizlanuvchi
worldly knowledge
OAK Index bazalari :
research gate, research bib.
Qo’shimcha index bazalari:
zenodo, open aire. google scholar.
Original article
571
o
Deformatsiya va kuchlanish jarayonlarini dinamik nazorat qilish imkoniyatini
oshiradi.
Grafik ma'lumotlar va taqqoslash jadvallari
Yondashuv
Afzalliklari
Kamchiliklari
Neyron tarmoqlar Yuqori aniqlik, avtomatik o‘rganish
Ko‘p ma'lumot talab qiladi
Mashina
o‘rganish
Moslashuvchanlik, tezkor ishlash
Optimal modelni tanlash
murakkab
Genetik
algoritmlar
Keng qamrovli optimallashtirish
Ko‘p hisoblash resurslari
talab qiladi
Mustahkam
o‘rganish
Moslashuvchan
va
o‘z-o‘zini
optimallashtirish xususiyatiga ega
Murakkab model yaratish
talab etiladi
Sun’iy intellekt yondashuvlarining afzalliklari
Hisoblash jarayonlarini tezlashtirish.
Eksperimental xarajatlarni kamaytirish.
Optimal konstruktiv parametrlarni aniq aniqlash.
Turli xil kuchlanish va deformatsiya holatlarini prognozlashda aniqlikni oshirish.
Mustahkam o‘rganish orqali o‘zini o‘zi optimallashtiruvchi tizimlar yaratish.
Amaliy misollar
1.
Avtomobilsozlikda SI qo‘llanilishi
: Mashhur avtomobil kompaniyalari kuzov va shassi
deformatsiyasini modellashtirish uchun neyron tarmoqlardan foydalanmoqda. Bu
avtomobillarning xavfsizligini oshirish va yo‘l-transport hodisalarining oqibatlarini oldindan
baholash imkonini beradi.
2.
Aerokosmik sanoatda SI yondashuvi
: Mustahkam o‘rganish algoritmlari samolyot
qanotlarining yuklanish holatini optimallashtirish uchun qo‘llaniladi. Bu samolyotning yoqilg‘i
samaradorligini oshirish va parvoz vaqtida barqarorligini ta’minlashda muhim rol o‘ynaydi.
3.
Mashinasozlikda genetik algoritmlar
: Muhandislik konstruksiyalarini engilroq va
bardoshli qilish uchun genetik algoritmlar optimal material va dizayn parametrlarini topishda
ishlatilmoqda.
4.
Qurilish muhandisligida SI asosida prognozlash
: Binolar va inshootlarning kuchlanish
holatini oldindan baholash uchun chuqur o‘rganish texnologiyalari ishlatilmoqda. Bu zilzilaga
chidamlilik darajasini oshirishga yordam beradi.
Xulosa
Mashinasozlik sohasida SI texnologiyalaridan foydalanish hisoblash samaradorligini
oshiradi, resurs xarajatlarini kamaytiradi va konstruksiyalarni optimallashtirishga yordam beradi.
Neyron tarmoqlar, mashina o‘rganish, genetik algoritmlar va mustahkam o‘rganish kabi ilg‘or
texnologiyalar mashinasozlik obyektlarining kuchlanish holatini aniq va tezkor baholashga
imkon beradi. Kelajakda ushbu usullarning integratsiyasi va amaliy tatbiqi ushbu sohaning
rivojlanishiga katta hissa qo‘shadi [1-10]
Foydalanilgan adabiyotlar
1.
Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
ISSN: 3030-3931, Impact factor: 7,241
Volume 6, issue 2, Mart 2025
https://worldlyjournals.com/index.php/Yangiizlanuvchi
worldly knowledge
OAK Index bazalari :
research gate, research bib.
Qo’shimcha index bazalari:
zenodo, open aire. google scholar.
Original article
572
2.
Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
3.
Goldberg D. Genetic Algorithms in Search, Optimization, and Machine Learning.
Addison-Wesley, 1989.
4.
LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015.
5.
Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-
propagating errors. Nature, 1986.
6.
Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. MIT Press, 2018.
7.
Zienkiewicz O. C., Taylor R. L. The Finite Element Method. Butterworth-Heinemann,
2000.
8.
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer,
2009.
9.
Mitchell M. An Introduction to Genetic Algorithms. MIT Press, 1996.
10.
Vapnik V. N. The Nature of Statistical Learning Theory. Springer, 1995.
