التطور الحراري

قبل عامين ، واجه فريق من HP تحديًا يتمثل في الحصول على مزيد من تدفق الهواء من الأنبوب المستخدم لتبريد رؤوس الطباعة لطابعة نفث الحبر القادمة.

بدون التبريد الفعال للحفاظ على تدفق الحبر في درجة الحرارة المناسبة ، لا يمكن للطابعة العمل بأقصى سرعة. أظهرت المحاكاة أن تصميم مجرى الهواء التقليدي كان يتسبب في الكثير من إعادة الدوران والاضطراب للعمل بفعالية.

للتغلب على هذه المشكلات ، عملت HP مع مهندسين في شركة Siemens Digital Industries الذين ربطوا محاكاة تدفق السوائل بتقنية ميكانيكي CAD يطلق عليهم الآن مصطلح التصميم التوليدي للتوصل إلى هيكل مختلف تمامًا.

قال مهندس المحاكاة في سيمنز جوليان جينز بعد إطلاق الطابعة التي ستستخدم مجرى الهواء ، مشيرًا إلى نتوء يشبه اللسان في التصميم النهائي الذي سبقه ، تفتقر.

هناك نوعان من التكتيكات الرئيسية المستخدمة في هذا النوع من التصميم التوليدي. الأول هو إنشاء متغيرات بشكل عشوائي بعد تشغيل كل محاكاة مع توقع أن واحدًا أو أكثر سيعمل بشكل أفضل. آخر هو العودة إلى المناطق التي تعاني من مشاكل ، مثل إعادة الدوران في مجرى طابعة HP ، والتوصل إلى أشكال يبدو من المحتمل أن تقلل من المشكلة قبل محاكاة جزء كامل لمعرفة مدى نجاح التغييرات. HP ليست وحدها في استغلال التصميم المستند إلى المحاكاة.

أعلاه: نتيجة التصميم التوليدي - وفرة لسان مجرى الهواء HP

يقول توم جريجوري ، مدير المنتج لمورِّد أدوات التحليل الحراري Future Facilities ، إن أداة 6SigmaET الخاصة بشركته قد تم استخدامها للمساعدة في تحديد الشكل الأمثل للدبابيس المستخدمة في هذا النمط من المبدد الحراري.

"تم إجراء التحسين باستخدام الخوارزميات الجينية بالاشتراك مع CFD. كان الهدف من التحسين هو تقليل انخفاض الضغط عبر المشتت الحراري مع الحفاظ على الأداء الحراري ".

على الرغم من أنه من الممكن تمامًا إنشاء المتغيرات أو التكرارات يدويًا ، إلا أن التعلم الآلي يبدو أنه أداة مفيدة للتصميم التوليدي لأنه ، من حيث المبدأ ، يمكنه إنشاء اختلافات بسرعة والتوصل إلى نتائج غير متوقعة وفعالة. يشير غريغوري إلى أن العديد من الأوراق البحثية قد توصلت إلى تصميمات مبتكرة للمشتت الحراري. "التصاميم التي تم إنشاؤها رائعة ومذهلة بصريا. ومع ذلك ، لا يمكن تصنيعها بالطرق التقليدية ".

الطباعة ثلاثية الأبعاد ليست ضرورية

فيما يتعلق بالمبددات الحرارية البحثية غالبًا ما تحتاج إلى طباعة ثلاثية الأبعاد ، كما فعلت فوهة HP. ومع ذلك ، نظرًا لأن ذلك كان يحل محل ستة أجزاء مصبوبة بالحقن ، فقد عمل الجزء الأحدث بشكل أكثر فعالية من حيث التكلفة بمجرد تحسين عملية الطباعة ثلاثية الأبعاد.

يقول Lieven Vervecken ، الرئيس التنفيذي والمؤسس المشارك لشركة Diabatix الناشئة للتصميم التوليدي ومقرها بلجيكا ، إن الطباعة ثلاثية الأبعاد ليست ضرورية.

يقول فيرفكن: "لدينا بعض تقنيات التصنيع التي ندعمها افتراضيًا ، مثل التصنيع باستخدام الحاسب الآلي ، والبثق ، والصب بالقالب ، وتشكيل الصفائح المعدنية". لكل منها استخدامه في أسواق مختلفة. على سبيل المثال ، أثبت تشكيل الصفائح المعدنية أنه مفيد في صنع ألواح التبريد الكبيرة للبطارية التي تحتاجها المركبات الكهربائية.

قامت شركة Diabatix ببناء بيئة توليد حول مجموعة مختارة من أدوات التصميم والمحاكاة مفتوحة المصدر التي تعمل بشكل متكرر على تحسين هيكل المبدد الحراري أو مكون التبريد بناءً على تحليل toolsuite للتدفقات الحرارية والهيكل الميكانيكي.

تستعد الشركة لإطلاق نسخة مستضافة على السحابة من الأدوات في أبريل.

على الرغم من أن التصميم التوليدي يمكن أن يستخدم التوزيع العشوائي لإنشاء تصميمات جديدة ، إلا أن هذا لم يكن النهج الذي اتبعه Diabatix. تكمن مشكلة التوزيع العشوائي في أن تكلفة المحاكاة اللازمة لتقييم كل متغير تجعل التقنية غير عملية للغاية. بدلاً من ذلك ، يقول فيرفكن إن النهج الذي تستخدمه الشركة الناشئة يستخدم التعلم الآلي لبناء خوارزميات يمكن أن تأتي بأشكال وهياكل فعالة ولكن غير متوقعة في كثير من الأحيان بدلاً من الزعانف الموازية الموجودة في معظم التصميمات التقليدية ، مع استخدام قيود التصنيع لمنعها من أن تصبح غير عملي جدا لتصنيعه.

"هذا هو السبب في أننا نستطيع توليد أداء تبريد إضافي يصل إلى 30 في المائة" ، حسب زعم فيرفكن.

أعلاه: تصميم ثلاثي الأبعاد من Diabatix

الهندسة الحرارية

يتمثل الهدف المحتمل الآخر للتعلم الآلي في الهندسة الحرارية في تقليل الاختناق الناتج عن المحاكاة إذا كان هناك عدد كبير من المتغيرات بحاجة إلى التحليل بشكل متوازٍ قبل إحراز مزيد من التقدم.

تم استخدام تدريب نموذج التعلم العميق مع نتائج عمليات المحاكاة المكثفة في مجالات مثل المواد وبحوث فيزياء الجسيمات لأن النماذج المدربة يمكن أن تعمل بشكل أسرع من عمليات المحاكاة الأصلية ، والتي قد تستغرق أيامًا حتى تكتمل حتى على جهاز كمبيوتر عملاق. إنها لا تقدم دقة كاملة ولكن يمكن استخدامها على مسار سريع إلى المنزل على المعلمات قبل تشغيل محاكاة تفصيلية نهائية.

قامت شركة nVidia المصنعة لوحدة معالجة الرسومات (GPU) ، والتي تعد بالفعل مؤيدًا قويًا للتعلم الآلي ، بتطبيق نفس التقنية على مشروع يسمى SimNet لفعل الشيء نفسه لأنواع نماذج ديناميات السوائل الحسابية (CFD) المستخدمة في الهندسة الحرارية.

تتمثل المشكلة الرئيسية في أن التعلم العميق نفسه مكثف من الناحية الحسابية ويتطلب أسابيع من المحاكاة لبناء مجموعة تدريب كبيرة بما يكفي للسماح لنموذج الذكاء الاصطناعي بمعرفة كيفية تأثير المعلمات على تدفق الهواء والحرارة في الفضاء.

يقول Vervecken إن مجموعة المشاريع التي يشاركون فيها ، والتي تتراوح في نطاقها من خافضات حرارة معالج الهاتف المحمول إلى لوحة التبريد للبطارية على نطاق الشاحنة ، تزيد من تعقيد المشكلة.

لتدريب نموذج واحد لتغطية هذا النطاق بالكامل؟ هذا صعب ، "يقول فيرفكن ، قائلاً إنه من المنطقي إعطاء الأولوية للتعلم الآلي لأدوات التصميم بدلاً من محرك المحاكاة.

مقابل تسريع محتمل قائم على الذكاء الاصطناعي ، تحتاج إلى تقييم المساهمات التي يمكن أن تأتي ببساطة من تحسين خوارزميات ديناميكيات السوائل الحسابية (CFD) مباشرة.

لقد استخدم البائعون المتخصصون مثل Future Services تنفيذًا متعدد النواة وتحسينات أخرى لخفض وقت الاستجابة الكلي. في دراسة مع Rohde & Schwarz ، تم تقليل الوقت المستغرق من تشغيل محاكاة من استيراد CAD عبر إنشاء شبكة إلى التحليل إلى أقل من 15 ساعة من أكثر من 40.

بالإضافة إلى المبددات الحرارية ، يمكن تطبيق التعلم الآلي القائم على المحاكاة على الجهاز الأساسي وتصميم النظام.

يلاحظ جريجوري أن "أحد المجالات التي تعمل بها شركة Future Facilities مع مجموعات أبحاث التعلم الآلي هو استخدام محاكاة CFD لتدريب خوارزميات التعلم الآلي".

هناك عدد من المجالات التي يمكن أن يكون التعلم الآلي فيها مفيدًا. أحدهما هو المساعدة في بناء نماذج بسيطة لتوليد الحرارة ونقلها يمكن أن توجه الخوارزميات المستخدمة لتقرير وقت إيقاف تشغيل المعالجات على شركة نفط الجنوب متعددة النواة.

"يمكن للمحاكاة الحرارية تدريب خوارزمية التعلم الآلي بسهولة على كيفية تغيير درجة حرارة الجهاز بناءً على استخدام المعالج. يمكن القيام بذلك بسرعة بالتوازي قبل أن يتم تصنيع الجهاز ، "يقول جريجوري.

يكمن استخدام آخر في البحث والتطوير لأنواع جديدة من الأجهزة ، مثل تلك المستخدمة في إلكترونيات الطاقة ، حيث يمكن أن تتسبب الحرارة الزائدة في حدوث هروب حراري ومشكلات أخرى تتعلق بالسلامة. "تعد بيانات التدريب الشامل ضرورية لخوارزمية فعالة للتعلم الآلي ، ولكن غالبًا ما يكون الحصول على بيانات التدريب من الأجهزة المادية غير عملي أو آمن. يقول جريجوري: إذا كنت تقوم بتحسين جهاز أو نظام جديد ، فربما لم يتم إنشاء جهاز مادي.

الأداء ليس هو الدافع الوحيد لاستخدام النماذج القائمة على الذكاء الاصطناعي. ويضيف فيرفيكن: "في كثير من الأحيان، يبحثون عن حل أرخص". "هناك فكرة خاطئة موجودة لدينا التكنلوجيا. نحن لا نبحث دائمًا عن المبدد الحراري الأكثر كفاءة. لدينا مشروع قيد التنفيذ حيث يبحث العميل بدلاً من ذلك عن الحل الأقل تكلفة. قال العميل إن الأداء ليس مشكلة: فالتصميم الحالي تم توفيره بشكل زائد بنسبة 30 بالمائة بالفعل، لكنهم لا يستطيعون جعل هذا النوع من التصميم أرخص.

لا تزال الأيام الأولى للتعلم الآلي للهندسة الحرارية ، لكن تقنيات التصميم التوليفية تثبت قيمة المحاكاة والتكرار السريع في ابتكار تصميمات تعمل بشكل أفضل ، أو تعمل بسعر أرخص أو كليهما.