В новом прорыве технологии машинного обучения помогают создавать на 32% более эффективные гидравлические насосы. Гидророторные насосы для циркуляции масла и смазки являются ключевыми компонентами в автомобильных и гидравлических системах. Они имеют компактный дизайн, отличные показатели потока на каждый оборот и высокую всасывающую способность. Профиль зубьев гидророта играет важную роль в определении общей производительности гидравлических систем для смазки двигателя и автоматической трансмиссии. Однако традиционные методы проектирования основываются на заранее заданных математических кривых и итеративных поправках, что снижает их гибкость в оптимизации.
В инновационном прорыве группа исследователей из Школы машиностроения Пусанского национального университета под руководством профессора Чуль Кима предложила новую методологию проектирования. Их результаты были опубликованы онлайн 10 октября 2025 года и опубликованы в томе 162, части D журнала Engineering Applications of Artificial Intelligence 24 декабря 2025 года.
Использование ИИ в проектировании
Ключевым моментом этого исследования является использование искусственного интеллекта, в частности, условной генеративной состязательной сети, в качестве инструмента проектирования. Вместо того чтобы полагаться на традиционный подход с заранее заданными математическими кривыми, исследователи обучили ИИ автоматически генерировать новые профили гидророта. ИИ обучился на наборе данных, связывающих определенные высокоэффективные геометрии профилей с их фактическими данными производительности. Эта инновация позволила ему понять, почему определенные формы выполняют свою функцию лучше других, а затем генерировать новые, высоко оптимизированные геометрии, которые существенно превосходят традиционные дизайны.
Результаты исследования
Группа продемонстрировала, что их новый дизайн, созданный с помощью ИИ, демонстрирует значительные приросты производительности в процессе верификации симуляции с помощью вычислительной гидродинамики. По сравнению с традиционным овальным профилем предложенный дизайн достиг 74.7% уменьшения нерегулярности потока. Это означает, что выход насоса стал значительно более стабильным и постоянным. Кроме того, наблюдается 32.3% увеличение среднего расхода, что указывает на лучшую объемную эффективность, а также 53.6%% снижение колебаний выходного давления, что напрямую способствует более тихой работе и снижению вибрации.
Практическое применение
Наиболее прямые практические применения представленной работы касаются автомобильной промышленности. Снижение колебаний давления и нерегулярности потока имеет огромные преимущества. Это может привести к более тихой работе трансмиссионных систем и потенциальному улучшению надежности компонентов за счет снижения вибрации и нестабильного гидравлического стресса. Более того, 32.3% увеличение среднего расхода позволяет более эффективно циркулировать масло по всему двигателю, что способствует лучшей смазке и охлаждению компонентов двигателя, что критично для его долговечности.
Комментарии профессора Кима
Профессор Ким отметил: «Тем же принципам, которые были продемонстрированы в нашем исследовании, можно найти применение в различных гидравлических насосах, используемых в промышленном оборудовании, где важными факторами являются эффективность, низкий уровень шума и надежность, что делает нашу технологию высокоценной для реального применения.»
Будущее технологий
По мере развития подобных методов в течение 10 лет, они могут стать стандартным инструментом для инженеров. Это означает переход к обратному проектированию, где инженер может задать желаемые параметры производительности, такие как «уменьшить колебания давления», а ИИ поможет сгенерировать оптимальную геометрию для достижения этих целей. Более того, этот подход может ускорить цикл исследований и разработок сложных механических компонентов, позволяя исследовать гораздо более широкий спектр дизайнов, чем это возможно при традиционных ручных итерациях.
Преимущества для общества
Для общества внедрение более оптимальных компонентов может означать, что машины, которые мы используем ежедневно, станут тише и более надежными. В автомобильном секторе это будет означать автомобили с более эффективными и долговечными гидравлическими системами, такими как трансмиссии и масляные насосы.
Ссылка на оригинальную статью: Machine learning-driven gerotor profile synthesis and optimization using Conditional Generative Adversarial Networks, Engineering Applications of Artificial Intelligence, DOI: 10.1016/j.engappai.2025.112604.
Прокомментировать в Телеграм: https://t.me/n8nhow
Подписаться на канал обучения n8n: https://t.me/n8ncoaching