ساخت هواپیما‌های سبک و قدرتمند با الهام از بال سنجاقک

به گزارش خبرنگار فناوری خبرگزاری آنا، «مسعود اکبرزاده» از دانشکده طراحی «وایتزمن» رهبری یک گروه چند رشته‌ای از طراحان معماری، مهندسان سازه، دانشمندان علوم رایانه و ... را در «آزمایشگاه سازه‌های چند وجهی» خود بر عهده دارد.

این پژوهشگر، تلاش می‌کند با بهره مندی از هندسه‌های چندوجهی که اغلب در طبیعت وجود دارد ساختار‌های قوی‌تر و سبک‌تری بسازد که به مواد اولیه کمتری نیز نیاز دارند.

در طول تاریخ، انسان، با مشاهده بسیاری از جنبه‌های طبیعت، به دنبال الهام گرفتن از آن‌ها بوده تا کارایی پرواز، مانورپذیری و ثبات را بهبود بخشد.

از زمان «لئوناردو داوینچی» طراحی الهام گرفته از طبیعت که «بیومیمیک» یا «زیست-الهام» خوانده می‌شود، نقش مهمی در توسعه هوانوردی داشته و دارد.

اکبرزاده می‌گوید: طبیعت معلم بزرگی است که به ما چگونگی بهینه سازی سیستم‌ها را می‌آموزد. وقتی به سنجاقک نگاه می‌کنید، بال‌هایی را می‌بینید که طی میلیون‌ها سال به ساختاری فوق العاده سبک، کارآمد و قوی تکامل یافته اند.

وی با اشاره به علاقمندی خود و گروهش به هندسه سطح و ساختار داخلی رگه‌های روی بال‌های سنجاقک، می‌گوید: پیکربندی پیچیده سلسله مراتبی بال، موجب استحکام و انعطاف‌پذیری شده و به سنجاقک‌ها اجازه می‌دهد تا به سرعت بالا بروند و مانور دهند. وقتی از نزدیک به الگو‌های بال سنجاقک نگاه کردیم متوجه وجود چندضلعی‌های محدب زیادی در آن شدیم.

تشریح بال پیچیده

محققان پیچیدگی‌های شبکه ورید هندسی بال سنجاقک را با استفاده از روش «نمودار‌های متقابل ماکسول» بررسی کردند. این ابزار تحلیل که برای محاسبه تعادل نیرو‌ها در یک سیستم استفاده می‌شود، نقش مهمی در رمزگشایی فیزیک ساختار بال سنجاقک ایفا کرد.

اکبرزاده خاطرنشان می کند: بین ضخامت اجزا یا اعضاء تشکیل‌دهنده متصل و تعادل درون صفحه آن شبکه، همبستگی وجود داشت. به عبارت ساده‌تر، یعنی شبکه عروق سنجاقک را گرفته و از همه طرف آن را بکشید و ببینید ساختار کلی به‌عنوان یک شبکه کششی، حداقل در یک صفحه دوبعدی، کاملاً کار می‌کند.

وی می افزاید: این شوک‌آور بود، زیرا بال برای رفتار خمشی مرتبط با حرکات بال زدن طراحی شده است تا یک شبکه فقط کششی یا فشرده‌سازی.

این یافته دانشمندان را قادر ساخت تا رفتار ساختار بال را که با الگوی ساختاری بال تقلید شده است، بررسی کنند. اکبرزاده اظهار داشت: در نهایت نشان دادیم که این رویکرد می‌تواند به ارائه سازه‌های بال کارآمدتر در برابر خمش خارج از صفحه منجر شود.

یادگیری ماشینی از طبیعت

این گروه هندسه بال را به شبکه عروقی داخلی و لبه‌های بیرونی تقسیم کرد. با این کار، نشان دادند چگونه ساختار‌های داخلی بال سنجاقک می‌تواند تحت‌تاثیر اجزای دیگر قرار گیرد.

اکبرزاده می‌گوید: ما از نمودار‌های شکل و نیرو بال سنجاقک به‌عنوان مجموعه داده‌های آموزشی برای توسعه مدل یادگیری ماشینی خود استفاده کردیم که می‌تواند شبکه‌های ساختاری ایجاد کند که هندسه واقعی بال را به‌خوبی منعکس سازد.

این دانشمند ایرانی ادامه داد: تصور کنید یک بال هواپیما بر اساس اصول رعایت شده در بال سنجاقک طراحی شده باشد. با انجام این کار، ما به طور بالقوه می‌توانیم هواپیما‌های سبک‌تر و کارآمدتر، با استفاده از مواد کمتر، ایجاد کنیم که منجر به صرفه‌جویی قابل‌توجه در سوخت و هزینه‌ها می‌شود، صرف نظر از اینکه این فرایند می‌تواند به کاهش قابل توجهی در ردپای زیست‌محیطی صنعت هوایی منجر شود.

تبدیل نظریه به واقعیت

این پژوهشگران، یافته‌های خود را در سناریو‌های دنیای واقعی با ترکیب طرح‌های الهام گرفته از سنجاقک در بدنه هواپیمای اکسترود شده دوبعدی بال بوئینگ ۷۷۷ در مقیاس ۱:۱۲۰ به کار بردند و بهبود قابل توجهی در کارایی ساختاری بال‌ها مشاهده کردند.

طراحی بر اساس بال سنجاقک، سختی صفحه بیرونی را تا ۲۵ درصد افزایش داد که پتانسیل طراحی بال‌های سبک‌تر و کارآمدتر را نشان می‌دهد.

اکبرزاده می‌گوید: این نه تنها عملی بودن تحقیق را تأیید می‌کند، بلکه نگاهی وسوسه‌انگیز به آینده هوانوردی ارائه می‌دهد.

اوج گرفتن به سوی آینده

اکبرزاده می‌ افزاید: این مطالعه به قابلیت‌های بکر طراحی الهام گرفته از طبیعت توجه می‌کند. با هم افزایی یادگیری ماشینی، زیست شناسی ساختاری و مهندسی، مرز جدیدی در حال ظهور است، مرزی که نوید موجی از نوآوری را در رشته‌های مختلف مهندسی می‌دهد.

استاد دانشگاه پنسیلوانیا افزود: در حالی که برای الهام گرفتن به ساختار‌های پیچیده دنیای طبیعی نگاه می‌کنیم، چه کسی می‌داند که چه راز‌های دیگری را می‌توانیم فاش کنیم؟ از سنجاقک‌ها گرفته تا سایر حیوانات بالدار، سفر اکتشاف ما تازه شروع شده است.

این گروه قصد دارد با نگاهی به آینده و با امید به کشف الهامات طراحی بیشتر، عمیق‌تر در ساختار سه بعدی بال سنجاقک کاوش کند. آن‌ها همچنین پیش‌بینی می‌کنند مدل یادگیری ماشینی خود را اصلاح کنند، قابلیت‌های پیش‌بینی آن را افزایش دهند و دقت بازسازی ساختار مصنوعی را بالا ببرند.

نتایج این تحقیقات در تازه‌ترین شماره نشریه Advanced Science منتشر شده است.