سیستم‌های هوشمند و رویکردهای مبتنی بر هوش مصنوعی در مهندسی: یک تحلیل علم‌سنجی در اسکوپوس و مسیر آینده

هدف این پژوهش، ارائه یک تحلیل علم‌سنجی نظام‌مند از تولیدات علمی حوزه سیستم های هوشمند در مهندسی است. در دهه‌های اخیر، سیستم‌های هوشمند و رویکردهای مبتنی بر هوش مصنوعی نقش فزاینده‌ای در حل مسائل پیچیده مهندسی ایفا کرده‌اند. به‌ویژه در مهندسی صنایع، استفاده از یادگیری ماشین، یادگیری عمیق و سیستم‌های تصمیم‌یار هوشمند منجر به بهبود چشمگیر بهره‌وری، کیفیت تصمیم‌گیری و بهینه‌سازی فرآیندها شده است. بدین منظور، 223 مقاله نمایه‌شده اسکوپوس طی بازه 2000 تا 2025 با استفاده از ابزار bibliometrix تحلیل شده‌اند. نتایج، روندهای پژوهشی، خوشه‌های موضوعی، بازیگران کلیدی و خلاهای تحقیقاتی این حوزه را آشکار می‌سازد و مسیرهای پژوهشی آینده، به‌ویژه برای کاربردهای صنعتی در کشور، پیشنهاد می‌شود. داده‌های این مطالعه از پایگاه استنادی اسکوپوس طی بازه 2015 تا 2025 گردآوری و با استفاده از نرم‌افزار r bibliometrix مورد تحلیل شبکه‌ای قرار گرفت. یافته‌ها نشان می‌دهد حجم انتشارات در این حوزه با نرخ رشدی شتابان، به‌ویژه از 2020 با گسترش کاربرد یادگیری عمیق، ، افزایش یافته است. چین و ایالات متحده و المان و هند به‌ترتیب پیشتازان تولید علم و تشکیل شبکه‌های هم‌کاری بین‌المللی هستند. مجلات و نویسندگان چین از مولد ترین و پراستناد ترین ها بودند.تحلیل خوشه‌بندی کلمات کلیدی، پنج خوشه تحقیقاتی اصلی را آشکار می‌کند: 1) بینایی ماشین و پردازش تصویر صنعتی ، 2) تشخیص خطا و سلامت سازه‌ها ، 3) هینه‌سازی فرآیند با یادگیری ماشین و 4) سیستم‌های سایبرفیزیکی و اینترنت اشیا و 5) هوش مصنوعی تفسیرپذیر. با وجود این پیشرفت‌ها، شکاف‌های عمده‌ای مانند عدم استانداردسازی داده‌ها و مدل‌ها، مبود تفسیرپذیری در مدل‌های پیچیده و چالش مقیاس‌پذیری و یکپارچه‌سازی با زیرساخت‌های قدیمی و مسایل امنیتی شناسایی شد. این مطالعه با ترسیم نقشه‌ای از ساختار دانش، چارچوب‌های نظری و روندهای روش‌شناختی، ضمن مشخص‌کردن شکاف‌های پژوهشی آتی، به پژوهشگران و سیاست‌گذاران کمک می‌کند

intelligent systems and artificial intelligence-based approaches in engineering: a scientometric analysis in scopus and future directions

abstract this study aims to present a systematic scientometric analysis of scientific productions in the field of intelligent systems in engineering. in recent decades, intelligent systems and artificial intelligence-based approaches have played an increasingly significant role in solving complex engineering problems. particularly in industrial engineering, the application of machine learning, deep learning, and intelligent decision support systems has led to substantial improvements in productivity, decision-making quality, and process optimization. for this purpose, 223 documents indexed in scopus from 2000 to 2025 were analyzed using the bibliometrix tool. the results reveal research trends, thematic clusters, key actors, and research gaps in this field, and suggest future research directions, especially for industrial applications within the country. the data for this study were collected from the scopus citation database for the period 2000–2025 and subjected to network analysis using the r software package bibliometrix. the findings indicate that the volume of publications in this area has grown at an accelerating rate, particularly since 2020, coinciding with the expansion of deep learning applications. china, the united states, germany, and india are the leading contributors to scientific output and the formation of international collaboration networks, respectively. chinese journals and authors were among the most productive and highly cited. keyword clustering analysis reveals five main research clusters: 1) machine vision and industrial image processing, 2) fault diagnosis and structural health monitoring, 3) process optimization with machine learning, 4) cyber-physical systems and the internet of things, and 5) explainable artificial intelligence. despite these advances, major gaps were identified, including a lack of data and model standardization, insufficient interpretability in complex models, challenges related to scalability and integration with legacy infrastructure, and security issues. by mapping the knowledge structure, this study helps researchers and policymakers identify future research gaps.