فلسفه مهندسی

مهندسی تخصصی است که عهده دار ایجاد اصلاح و بهره گیری از محیط طبیعی جهت طراحی و ساخت بناها می باشد. مهندسی ممکن است با علم مقایسه شود که وظیفه اش فهم طبیعت می باشد. بنابراین فلسفه علم شناسایی پی آمدهای فلسفی علم جهت کاربرد آن در مهندسی می باشد. این نتایج شامل مواردی همچون عینیت تجربیات، اخلاق فعالیت های مهندسی در محیط کار و جامعه و زیبایی شناسی بناهای ساخته شده به دست بشر می باشد. هنگامی که از مهندسی با نگاه تاریخی به خلق و تدبیر تعبیر گردد مرز مشخصی میان هنر، حرفه و تکنولوژی نخواهد بود.
مهندس، اسم فاعل هندسه، به معنی هندسه دان بوده و هندسه خود نیز معرّب اینداسه ( ملفوظی ‏هندی ) یا همان اندازه می باشد. لذا، بدیهیست که یک مهندس لااقلّ برای اهداف طراحی، نیاز به ‏یک دانش کمّی و عددی از کمّیتهای فیزیکی و قابل اندازه گیری داشته باشد. متغیّرهای ‏ماکروسکوپیک متداول و مورد اعتنای مهندسین عبارتند از دما، فشار، دانسیته، غلظت و امثال ‏آن، در حالی که در طرف مقابل متغیّرهای میکروسکوپیک نظیر جرم اتمی، پیوندهای شیمیایی، ‏سطوح انرژی ملکولی و اُربیتالی و مشابه آنها، مورد توجّه دانشمندان و محقّقین علوم پایه از ‏نظر معرفت شناختی و تحلیلی می باشد. ‏
اخلاق
آنچه که طراحی مهندسی و طراحی هنری را از هم متفاوت می سازد شرایطی است که مهندسی را مجبور می سازد قبل از ساخته شدن طرح رفتارها و اثرات آن را به صورت کمی پیش بینی نماید. این قبیل پیش بینی ها ممکن است کم و بیش دقیق باشند اما باید شامل تاثیر بر فرد و جامعه گرد. به این معنی، مهندسی نباید تنها از زاویه فنی سازه ها بررسی و قضاوت شود بلکه باید اثر اجتماعی نیز در نظر گرفته شود. فعالیتی که مهتدسیین انجام می دهند باید در معرض ارزیابی معنوی نیز قرار بگیرد.
مدلسازی
روش های متداول ریاضیاتی و فیزیکی مدلسازی مهندسی، توانایی مناسبی جهت شناخت اثرات مهندسی بر مردم را ندارند با وجود اینکه بسیاری از فعالیت های مهندسی مانند حمل و نقل در ارتباط تنگاتنگ با جامعه می باشند. فهم اساسی هر شاخه از علوم مهندسی وابستگی تامّ به شناخت و ملاحظه نقش آن رشته و میزان ‏تعامل و ارتباط با سایر رشته های علوم و مهندسی دارد. اگر به هر دلیلی، قصد برقراری یک ‏بیان علمی عمیق و به عبارت مهندسی یک مدل تقریبی و نزدیک به واقعیت از یک یا چند پدیده ‏فیزیک وشیمیایی داریم، باید مبادی تصوّرمان را روی حداقلّ چهار محور متمرکز کرده و تصمیم ‏بگیریم. ‏
‏۱ - ‏ نحوه نگرش به مسأله ( میکروسکوپی، مزوسکوپی یا ماکروسکوپی ) ‏
‏۲ - ‏ اصول و قوانین موضوعه و مربوطه ( قوانین عام و خاص ) ‏
‏۳ - ‏ ‏ نحوه بیان مدل ریاضی و کمّی ( مبتنی بر قوانین اوّلیه، آماری یا تجربی ) ‏
‏۴ - ‏ نوع فرمولاسیون ( متوسط گیری یا توزیعی ) ‏
بیان ریاضی روابط بینابین کمّیت های درگیر در مدل، چه جبری ( استاتیکی ) و چه دیفرنسیالی ‏‏ ( دینامیکی و/یا توزیعی ) می تواند نشأت گرفته از قوانین ( ‏Rigorous or 1st –principle ‎Laws Modeling‏ ) و اصول طبیعی ( اعمّ از عامّ و خاصّ ) ، اندازه گیری های آماری - تجربی ‏‏ ( ‏Statistical - Empirical Modeling‏ ) یا به طور ترکیبی ( ‏Hybrid Modeling‏ ) باشد. ‏مدل های از نوع اوّل که موسوم به مدل سازی جعبه سفید ( ‏White - box Modeling‏ ) نیز ‏هستند نیازمند آنالیز و شناخت دقیق مکانیسم های درگیر مسأله می باشند. یک مزیّت عمده این نوع ‏مدل سازی تعبیر فیزیکی کمّیت ها و بار اطلاعاتی بالای آنها می باشد، ولی در عین حال یک ‏عیب آن پیچیدگی و سختی توسعه و همچنین حل آنها ( چه تحلیلی و چه عددی ) می باشد. در برخی ‏مسائل مهندسی ممکن است پیچیدگی پدیده های درگیر آنقدر زیاد باشد که توسعه مدل از طریق ‏مکانیسم ها و قوانین اوّلیه ( عامّ و خاصّ ) به صرفه نباشد. به طور مثال، مدل کردن پرتاب یک ‏سکه و زمین خوردن آن جهت پیش بینی رو آمدن شیر یا خط از طریق مدل های دقیق ریاضی ‏‏ ( استفاده از قانون دوّم نیوتن، مُمان اینرسی، اندازه حرکت، مقاومت هوا، الاستیسیته انگشتان ‏دست و تعریف ضریب جهندگی ) محال وقوعی می باشد. لذا، یک راه حلّ مهندسی استفاده از ‏علم آمار و احتمالات برای تعیین احتمالی شیر یا خط می باشد. به عنوان یک مثال دیگر، رابطه ‏مهندسی پایداری حباب یا توزیع قطر کف یک محلول صابون بر حسب غلظت صابون، دانسیته ‏محلول، هندسه سیستم، ابعاد و سرعت همزن، براساس مدل های دقیق ریاضی گرچه ممکن است ‏ولی خیلی پرهزینه و مشکل می باشد. لذا، یک روش مواجهه با این نوع مسائل، تکرار ‏آزمایشات، اندازه گیری کمّیتهای محسوس و سپس رگرسیون آنها و بیان رابطه تجربی بین ‏کمّیت ها با اسامی آنالیز ابعادی ( ‏Dimensional Analysis‏ ) ، روابط رگرسیونی ‏‏ ( ‏Correlations‏ ) و مدل سازی جعبه سیاه ( ‏Black - box Modeling‏ ) می باشد. ساختار روابط ‏می تواند به صورت توانی ( ‏Exponential, Power Law‏ ) ، چندجمله ای ( ‏Polynomials‏ ) یا ‏کاملا غیرخطی ( مثلاً استفاده از شبکه های عصبی یا قوانین فازی ) باشد. مدل سازی تجربه ‏علیرغم سادگی و سهولت توسعه متأسّفانه دارای بار اطلاعاتی کم بوده و قدرت برون یابی ‏‏ ( ‏Extrapolation‏ ) ضعیفی دارند. برای مسائل با مقیاس متوسط یا بزرگ ( از نظر تکثّر و ‏تنوّع پارامترها و متغیّرها ) معادلات حاکم شامل مجموعه قوانین عامّ و قوانین خاصّ می باشند. ‏هر کدام از انواع قوانین نیز می توانند براساس مکانسیم های مبتنی بر قوانین طبیعی بوده یا اصالتاً ‏تجربی و حاصل از فشرده سازی آزمایشات در قالب یک بیان یا رابطه ریاضی باشد. لذا، آنچه ‏که در عمل رایج است ( به ویژه شبیه سازی مخازن ) بنوعی مدل سازی ترکیبی از دو نوع بیان ‏ریاضی ( دقیق - تجربی ) می باشد. این نوع مدلسازی موسوم . . .