CAD (Bilgisayar Destekli Tasarım) dosyalarıyla çalışan mühendisler, özellikle karmaşık montaj dosyalarıyla (örneğin SolidWorks SLDASM dosyaları) uğraşırken, zaman zaman her bir parçayı manuel olarak tanımlamak ve adlandırmak zorunda kalıyorlar. Ancak bu süreç, hem zaman alıcı hem de hata yapmaya açık. İşte tam bu noktada, yapay zeka temelli otomatik isimlendirme sistemleri devreye giriyor. Peki, yapay zeka gerçekten parçaları otomatik olarak isimlendirebilir mi? Evet, üstelik bunu oldukça etkili bir şekilde yapabilir!
SolidWorks API kullanarak montaj dosyalarındaki parçaları analiz eden, sınıflandıran ve isimlendiren bir yapay zeka modelimiz var.
Aşağıda bu sürecin nasıl çalıştığını açıklıyorum:
- Veri Toplama ve Hazırlama
Başarılı bir otomatik isimlendirme sistemi oluşturmak için, daha önceki SLDASM dosyalarından yeterli miktarda etiketlenmiş parça verisi toplamamız gerekir. Bu veriler şunları içermelidir:
Parça Geometrileri: Parçaların şekil, boyut, hacim, yüzey özellikleri vb.
Parça İsimleri: Her parçaya atanan isimler (örneğin “vida”, “kapak”, “motor bloğu” gibi).
- Özellik Çıkarma
İsimlendirme işlemi için, her parçadan çıkarabileceğiniz bazı özellikler şunlardır:
Geometrik Özellikler: Parçanın boyutları, şekli (örneğin silindirik mi, prizmatik mi), yüzey alanı, hacmi, kesit profili gibi bilgiler. Bu özellikler, parçanın fonksiyonunu ve genel görünümünü yansıtır.
Fonksiyonel Özellikler: Parçanın montajdaki pozisyonu ve diğer parçalarla ilişkileri. Örneğin, bir vida her zaman belirli bir şekilde monte edilir, bu da fonksiyonunu tanımada önemli olabilir.
Malzeme Özellikleri: Parçanın hangi malzemeden yapıldığı da isimlendirme için önemli bir özellik olabilir (metal, plastik, vb.).
- Kai ile İsimlendirme
Model Eğitimi: Etiketlenmiş verilerle Kai CAD modeli eğitilir. Parçaların geometrik ve fonksiyonel özelliklerine göre hangi isme sahip olduğu öğretilir.
Destek Vektör Makineleri (SVM), Random Forests veya Neural Networks: Parça özellikleri üzerinden parçanın doğru ismini tahmin etmek için kullanılır.
Etiketleme: Yeni bir SLDASM dosyası analiz edilip, her bir parçanın geometrik ve fonksiyonel özellikleri çıkarıldıktan sonra model, bu özelliklere bakarak parçayı isimlendirmeye çalışır.
Eğitilmiş Kai CAD modeli kullanılarak yeni SLDASM dosyalarını analiz ettikten sonra, modelin çıkardığı isimlerin doğruluğunu test etmeniz gerekecek. Doğruluğu ölçmek için şu metrikleri kullanabiliriz:
Precision: Modelin tahmin ettiği isimlerin ne kadar doğru olduğu.
Recall: Modelin tüm doğru parçaları ne kadar iyi tanımladığı.
F1-Score: Precision ve recall arasında bir denge kurar.
Bu test sonuçlarına göre, modelin hangi alanlarda iyileştirilmesi gerektiğini belirleyebiliriz.
Pergola tasarım projelerinde yapay zeka temelli otomatik isimlendirme sürecini örneklendirelim. Pergolalar, genellikle dış mekanlarda kullanılan ve estetik açıdan önemli yapısal elemanlar içerir.
Kai CAD modeli, önceki pergola projelerinden öğrenme yaparak, yeni projelerdeki parçaları otomatik olarak isimlendirebilir. Bu süreç birkaç temel adımdan oluşur:
- Geometrik ve Fonksiyonel Özelliklerin Çıkarılması
Pergola projelerinde her bir parça belirli bir boyut ve işlev taşır. Yapay zeka, bu parçaların geometrik ve fonksiyonel özelliklerini analiz eder. Örneğin:
Ana Kirişler: Genellikle uzun, dikdörtgen prizma şeklindeki yapısal elemanlardır.
Yan Kirişler (Çapraz Kirişler): Daha kısa ve ince kirişlerdir, sıklıkla üst kısımda düzenli aralıklarla yerleştirilirler.
Kolonlar: Dikey duran ve pergolanın ağırlığını taşıyan silindirik veya dikdörtgen prizma yapıda olabilirler.
Yapay zeka, bu özelliklere bakarak parçaların ne olduğunu anlamaya başlar. Örneğin, uzun ve dikdörtgen bir parça tespit edildiğinde bunun büyük ihtimalle ana kiriş olduğunu tahmin edebilir.
- Modelin Eğitilmesi
Model, daha önce etiketlenmiş pergola projelerinden öğrenir. Örneğin:
Daha önce isimlendirilmiş “Ana Kiriş” gibi parçaların geometrik özellikleri modele öğretilir.
Benzer projelerde kullanılan vidalar, somunlar gibi bağlantı elemanları da model tarafından öğrenilir.
Model, yeni bir projede karşılaştığı parçaları bu öğrendiği bilgiler ışığında analiz ederek uygun isimlendirmeler yapar.
- Yeni Projedeki Parçaların İsimlendirilmesi
Model, yeni bir pergola montaj dosyasındaki parçaları analiz eder ve her bir parçaya otomatik olarak bir isim verir. Örneğin:
Örnek 1: Model, uzun bir dikdörtgen prizma yapısındaki parçayı tanır ve bunu “Ana Kiriş” olarak adlandırır.
Örnek 2: Çapraz bir şekilde yerleştirilen daha ince ve kısa bir parça tespit ettiğinde, bunu “Yan Kiriş” olarak isimlendirir.
Örnek 3: Dikey duran, kalın bir kolon parçasını tespit ederek bu parçayı “Kolon” olarak tanımlar.
Pergola Projeleri İçin Otomatik İsimlendirme Örnekleri
Kiriş Sistemi: Yapay zeka, pergolanın üst yapısındaki ana ve yan kirişleri tanımlayabilir. Örneğin, uzun ve kalın kirişleri “Ana Kiriş”, daha kısa ve üstteki çapraz kirişleri ise “Yan Kiriş” olarak isimlendirebilir.
Bağlantı Elemanları: Yapay zeka vidalar, somunlar ve diğer bağlantı elemanlarını, boyutlarına ve konumlarına göre doğru bir şekilde tanıyabilir. Örneğin, “M8 Somun” veya “Ahşap Vida” gibi isimlendirmeler yapabilir.
Çatı Yapısı: Eğer pergola projesi çatı eklemelerini içeriyorsa, yapay zeka eğimli çatı kirişlerini veya düz kapak parçalarını “Çatı Kirişi” veya “Çatı Kapağı” olarak isimlendirebilir.
Pergola projesinde Kai CAD modeli eğitilirken kullanılacak teknikler:
K-En Yakın Komşu (K-Nearest Neighbors): Benzer şekil ve boyutlara sahip parçaları sınıflandırmak için kullanılır. Örneğin, aynı uzunluktaki kirişlerin benzer işlevleri olacağını tahmin eder.
Sinir Ağları (Neural Networks): Daha karmaşık pergola tasarımlarında, farklı parçalar arasındaki ilişkiyi anlamak için kullanılır. Bu sayede kirişler, kolonlar ve bağlantı elemanları arasındaki ilişkiler doğru şekilde isimlendirilir.
Özellik Tabanlı Öğrenme: Geometrik özellikleri ve montajdaki konumları kullanarak parçaları doğru bir şekilde tanımlar. Örneğin, dikey duran ve yüksekliği belirgin olan parçalar kolon olarak sınıflandırılır.
Gelecekte Pergola Tasarımında Yapay Zeka
Yapay zeka, pergola projelerinde sadece parça isimlendirmesiyle sınırlı kalmayacak. Gelecekte, tasarım hatalarını tespit etme, malzeme optimizasyonu önerme ve hatta estetik açıdan daha uygun tasarımlar sunma gibi görevlerde de rol alabilir. Ayrıca, müşteri taleplerine göre pergola tasarımını optimize etmek, farklı hava koşullarına göre malzeme seçimi yapmak gibi yetenekler kazanabilir.