#اخبارجامعه مهندسی پلیمر و رنگ ایران، یکی از استادان اثرگذار و پیشکسوت خود را از دست داد. پروفسور س…

📌 مرزهای تازه در چاپ سه‌بعدی و ساخت افزایشی در آزمایشگاه دریمز (DREAMS Lab) دانشگاه ویرجینیا تک، کریس ویلیامز (Chris Williams) و تیم پژوهشی او در دانشکده مهندسی مکانیک تلاش می‌کنند مرزهای ساخت افزایشی (Additive Manufacturing) یا همان چاپ سه‌بعدی را گسترش دهند.پژوهش‌های این گروه تنها به چاپ قطعات محدود نیست و توسعه مواد جدید، رباتیک پیشرفته و طراحی فرآیندهای نوین چاپ را نیز شامل می‌شود. هدف، ساخت قطعات و محصولات پیچیده‌تر، مستحکم‌تر و کاربردی‌تر برای حوزه‌هایی مانند هوافضا، حمل‌ونقل، پزشکی و محصولات مصرفی است.یکی از ایده‌های اصلی ویلیامز از ابتدای فعالیت در این حوزه، پاسخ به یک چالش بوده است: آیا می‌توان چیزی را چاپ کرد که ساخت آن پیش از این غیرممکن به نظر می‌رسید؟در کنار توسعه فناوری، آموزش و تربیت نسل بعدی مهندسان نیز بخش مهمی از فعالیت‌های DREAMS Lab است تا ایده‌های تازه بتوانند از محیط دانشگاه به راهکارهای واقعی در صنعت تبدیل شوند.@ESD_TEAM

‍ 📌 آیا هوش مصنوعی مجلات علمی را پر از مقاله‌های جعلی می‌کند؟✍️ آنانیا پالیولا🤖 ورود هوش مصنوعی مولد به دنیای نشر علمی، مسئله قدیمی «منتشر کن یا حذف شو» را شدیدتر کرده است. فشاری که سال‌ها پژوهشگران را به تولید مقاله بیشتر وادار می‌کرد، حالا با ابزارهایی همراه شده که می‌توانند در مدت کوتاه متن علمی، داده ساختگی، شکل‌های ظاهراً معتبر و حتی منابع جعلی تولید کنند.📄 در یکی از نمونه‌های عجیب، مقاله‌ای در یک مجله علمی با جمله‌ای منتشر شد که شبیه پاسخ آماده ChatGPT بود. این خطا از مرحله داوری هم عبور کرد و تنها بعد از انتشار مورد توجه قرار گرفت. چنین مواردی نشان می‌دهد مشکل فقط استفاده از هوش مصنوعی نیست؛ مسئله اصلی ساختاری است که تعداد مقاله را بیش از کیفیت واقعی پژوهش ارزش‌گذاری می‌کند.🔬 پژوهشگران حوزه سلامت نشر علمی معتقدند هوش مصنوعی می‌تواند در ویرایش زبان، بهبود نگارش و کمک به پژوهشگران غیرانگلیسی زبان مفید باشد، اما مسئولیت نهایی باید همیشه بر عهده انسان باشد. استفاده از هوش مصنوعی باید شفاف اعلام شود و داده‌ها، تصاویر و نتایج علمی باید به منبع واقعی و قابل بررسی متصل باشند.🧪 چالش مهم‌تر، مقاله‌هایی هستند که ظاهر کاملاً علمی دارند اما بر پایه داده‌ها و تصاویر ساختگی تولید شده‌اند. این نوع مقاله‌ها می‌توانند به راحتی وارد ادبیات علمی شوند، توسط پژوهشگران دیگر ارجاع بگیرند و حتی در آموزش مدل‌های هوش مصنوعی بعدی استفاده شوند. در نتیجه، یک خطای ساختگی می‌تواند بارها تکرار و تقویت شود.🛡 ابزارهای تشخیص تقلب و غربالگری مقاله‌ها بخشی از راه‌حل هستند. برخی سامانه‌ها عبارت‌های غیرطبیعی، ترجمه‌های عجیب، نشانه‌های کپی مستقیم از خروجی هوش مصنوعی و الگوهای مشکوک را شناسایی می‌کنند. با این حال، متخصصان هشدار می‌دهند که این مسیر شبیه یک مسابقه تسلیحاتی است؛ هرچه ابزارهای تشخیص بهتر شوند، مدل‌ها و روش‌های دور زدن آن‌ها هم پیچیده‌تر می‌شوند.⚖️ راه‌حل پایدار احتمالاً فقط در تشخیص مقاله جعلی نیست، بلکه در تغییر شیوه ارزیابی پژوهشگران است. وقتی استخدام، ارتقا، بودجه، جایگاه دانشگاهی و حتی آینده شغلی بر اساس تعداد مقاله و نام مجله سنجیده شود، انگیزه برای تولید انبوه مقاله باقی می‌ماند. بسیاری از متخصصان پیشنهاد می‌کنند ارزیابی علمی از تعداد مقاله فاصله بگیرد و به کیفیت، اصالت، شفافیت داده و اثر واقعی پژوهش نزدیک‌تر شود.🔖 پیام اصلی روشن است: هوش مصنوعی به‌تنهایی بحران نشر علمی را ایجاد نکرده، بلکه آن را سریع‌تر و ارزان‌تر کرده است. اگر جامعه علمی می‌خواهد با مقاله‌های جعلی و داده‌های ساختگی مقابله کند، باید هم ابزارهای نظارت را تقویت کند و هم نظام پاداش‌دهی علم را از کمیت به کیفیت تغییر دهد.#AI@ESD_TEAM

📌 پالایشگاه (Refinery)صنعت پتروشیمی یکی از بزرگترین و پر درآمدترین صنایع کشور محسوب می‌شود که در ارتباط مستقیم با صنعت نفت و بخصوص بخش پایین دستی آن است. مواد مصرفی در این صنعت توسط پالایشگاه ها تأمین می‌گردد . اصول کار در پالایشگاه ها در کلیپ بالا شرح داده شده است. #Petrochemical_industry_Refinery@ESD_TEAM

📌 فرآیند لایه‌گذاری تر (Wet Lay-up) و ژل‌کوت (Gel Coat) در ساخت کامپوزیت‌هادر روش لایه‌گذاری تر (Wet Lay-up)، ابتدا سطح قالب تمیز شده و با عامل رهاساز (Release Agent) آماده می‌شود. سپس ژل‌کوت (Gel Coat) روی قالب اعمال می‌شود تا سطح نهایی قطعه صاف و یکنواخت باشد و مقاومت بیشتری در برابر رطوبت و شرایط محیطی داشته باشد.پس از رسیدن ژل‌کوت به حالت مناسب، لایه‌های الیاف تقویت‌کننده (Reinforcement Fibers) داخل قالب قرار می‌گیرند و با رزین (Resin) آغشته می‌شوند. استفاده از غلتک (Roller) به توزیع بهتر رزین، خیس‌شدن کامل الیاف و خروج حباب‌های هوای محبوس میان لایه‌ها کمک می‌کند.در پایان، قطعه طی مرحله پخت (Curing) سخت شده و از قالب جدا می‌شود. کیفیت آماده‌سازی قالب، ضخامت ژل‌کوت، نسبت رزین به الیاف و حذف حباب‌ها، تأثیر مستقیمی بر ظاهر، استحکام و دوام قطعه کامپوزیتی دارند.#GelCoat@ESD_TEAM

📌 وقتی پلیمرهای برس‌مانند به چسب‌های فوق‌قوی تبدیل می‌شوند✍️ ESD Teamگاهی مسیر علم از یک مشاهده غیرمنتظره شروع می‌شود. در یک پروژه دانشجویی در آزمایشگاه شیمی پلیمر، پژوهشگران هنگام کار با پلیمرهای برس‌مانند یا شانه‌ای متوجه شدند که این ماده رفتاری متفاوت از انتظار نشان می‌دهد.پس از آزمون‌های چسبندگی، نتیجه چشمگیر بود. این ماده به عنوان یک چسب قوی عمل کرد و در مقایسه مستقیم، عملکردی بهتر از چند چسب تجاری نشان داد. در یکی از آزمون‌ها، اتصال آن‌قدر محکم بود که پیش از جدا شدن چسب، خود طناب پاره شد.این پروژه حاصل همکاری دو آزمایشگاه شیمی پلیمر در دانشگاه ویرجینیا تک است. آیزاک آدو (Isaac Addo) از گروه دکتر جان متسون (John B. Matson)، و رجینا هَم (Regina Ham) از آزمایشگاه دکتر جاشوا وورچ (Joshua C. Worch)، روی این پژوهش کار کرده‌اند. اهمیت این کشف فقط در قدرت چسبندگی نیست. این چسب پلیمری می‌تواند تحت شرایط مشخص شکسته و بازیافت شود، موضوعی که می‌تواند به طراحی چسب‌هایی کمک کند که هم عملکرد بالایی دارند و هم مانع بازیافت محصولات روزمره نمی‌شوند.@ESD_TEAM

‍ 📌 آیا هوش مصنوعی می‌تواند پلیمر بعدی را طراحی کند؟✍️ ESD Teamتا امروز، طراحی پلیمرهای جدید معمولاً به ترکیبی از دانش شیمی، شبیه‌سازی، تجربه پژوهشگر و تعداد زیادی آزمایش وابسته بوده است. اکنون مدل‌های هوش مصنوعی در حال ورود به مرحله‌ای هستند که فقط خواص مواد را پیش‌بینی نمی‌کنند، بلکه می‌توانند براساس خواص موردنظر، ساختارهای پلیمری جدید نیز پیشنهاد دهند.🔬 پژوهشگران جورجیا تک در سال ۲۰۲۶ مدلی با نام POLYT5 معرفی کردند. این مدل، ساختارهای پلیمری را مانند یک زبان شیمیایی پردازش می‌کند و ارتباط میان ساختار و خواص را می‌آموزد.در یکی از مطالعات، پژوهشگران از مدل خواستند پلیمرهای دی‌الکتریکی با مجموعه‌ای از خواص الکتریکی، حرارتی و فرایندی مشخص پیشنهاد دهد. بیش از ۱۸ هزار کاندیدای امیدوارکننده تولید شد و یکی از گزینه‌های منتخب نیز در آزمایشگاه سنتز و اعتبارسنجی شد. نتایج آزمایشگاهی با پیش‌بینی‌های مدل همخوانی مناسبی داشتند.🏭 چرا این موضوع مهم است؟فضای ساختاری پلیمرها بسیار بزرگ است و بررسی آزمایشگاهی تمام گزینه‌های ممکن عملی نیست. هوش مصنوعی می‌تواند پیش از آغاز سنتز، تعداد زیادی ساختار را بررسی کند و گزینه‌های امیدوارکننده‌تر را برای آزمایش پیشنهاد دهد.بااین‌حال، این فناوری جایگزین دانش مهندسی پلیمر، سنتز یا آزمون‌های آزمایشگاهی نیست. فرایندپذیری، پایداری، هزینه تولید و عملکرد واقعی ماده همچنان باید در آزمایشگاه و مقیاس صنعتی بررسی شوند.💬 آیا شما به پلیمری که ابتدا توسط هوش مصنوعی طراحی و سپس در آزمایشگاه اعتبارسنجی شده باشد اعتماد می‌کنید؟@ESD_TEAM