Thermische Entwicklung

Vor zwei Jahren stand ein HP-Team vor der Herausforderung, mehr Luft aus einem Kanal zu strömen, der zur Kühlung der Druckköpfe eines künftigen Tintenstrahldruckers verwendet wird.

Ohne effiziente Kühlung, um den Tintenfluss auf der richtigen Temperatur zu halten, kann der Drucker nicht mit voller Geschwindigkeit arbeiten. Simulationen zeigten, dass das traditionelle Kanaldesign zu viel Rezirkulation und Turbulenzen verursachte, um effektiv zu arbeiten.

Um diese Probleme zu umgehen, arbeitete HP mit Ingenieuren von Siemens Digital Industries zusammen, die Fluidströmungssimulationen mit einer Technik koppelten, die mechanische CAD-Unternehmen jetzt als generatives Design bezeichnen, um eine radikal andere Struktur zu entwickeln.

„Als sich das Design formte, widersetzte es sich allen Erwartungen“, sagte Siemens-Simulationsingenieur Julian Gaenz nach der Einführung des Druckers, der den Kanal verwenden würde, und wies auf einen zungenartigen Vorsprung im endgültigen Design des Vorgängers hin fehlte.

Es gibt zwei Haupttaktiken, die bei dieser Art von generativem Design angewendet werden. Eine besteht darin, nach jedem Simulationslauf zufällig Varianten zu generieren, in der Erwartung, dass eine oder mehrere besser funktionieren. Eine andere Möglichkeit besteht darin, Problembereiche wie die Umwälzung im Kanal des HP Druckers zu untersuchen und Formen zu entwickeln, die das Problem wahrscheinlich verringern, bevor ein vollständiges Teil simuliert wird, um zu sehen, wie gut die Änderungen funktionierten. HP ist weit davon entfernt, simulationsgesteuertes Design zu nutzen.

Oben: Das Ergebnis eines generativen Designs - die HP-Kanalzungenfülle

Tom Gregory, Produktmanager des Lieferanten von Thermoanalysewerkzeugen Future Facilities, sagt, dass das 6SigmaET-Werkzeug seines Unternehmens verwendet wurde, um die optimale Form für Stifte zu bestimmen, die in diesem Kühlkörperstil verwendet werden.

„Die Optimierung wurde mithilfe genetischer Algorithmen in Kombination mit CFD durchgeführt. Ziel der Optimierung war es, den Druckabfall über dem Kühlkörper zu reduzieren und gleichzeitig die Wärmeleistung aufrechtzuerhalten. “

Obwohl es durchaus möglich ist, die Varianten oder Iterationen von Hand zu erstellen, scheint maschinelles Lernen ein nützliches Werkzeug für das generative Design zu sein, da es im Prinzip schnell Variationen erzeugen und kontraintuitive, aber effektive unerwartete Ergebnisse liefern kann. Gregory verweist auf mehrere Forschungsarbeiten, die neuartige Kühlkörperdesigns entwickelt haben. „Die Designs, die generiert werden, sind beeindruckend und optisch atemberaubend. Sie können jedoch nicht mit herkömmlichen Methoden hergestellt werden. “

3D-Druck nicht unbedingt erforderlich

In Bezug auf die Forschung benötigen Kühlkörper häufig 3D-Druck, ebenso wie die HP-Düse. Da jedoch sechs Spritzgussteile ersetzt wurden, war das neuere Teil kostengünstiger, sobald der 3D-Druckprozess optimiert wurde.

Laut Lieven Vervecken, CEO und Mitbegründer des belgischen Startups Diabatix für generatives Design, ist 3D-Druck nicht unbedingt erforderlich.

„Wir haben einige Fertigungstechniken, die wir standardmäßig unterstützen, wie CNC-Bearbeitung, Extrusion, Druckguss und Blechumformung“, sagt Vervecken. Jeder hat seine Verwendung in verschiedenen Märkten. Beispielsweise hat sich die Blechumformung als nützlich erwiesen, um die großen Batteriekühlplatten herzustellen, die von Elektrofahrzeugen benötigt werden.

Diabatix hat eine generative Umgebung um eine Auswahl von Open-Source-Entwurfs- und Simulationswerkzeugen herum aufgebaut, die die Struktur eines Kühlkörpers oder einer Kühlkomponente basierend auf der Analyse der Wärmeströme und der mechanischen Struktur der Werkzeugsuite iterativ verfeinert.

Das Unternehmen bereitet die Einführung einer Cloud-gehosteten Version der Tools im April vor.

Obwohl generatives Design Randomisierung verwenden kann, um neuartige Designs zu erstellen, war dies nicht der Ansatz von Diabatix. Das Problem bei der Randomisierung besteht darin, dass der zur Bewertung jeder Variante erforderliche Simulationsaufwand die Technik zu unhandlich macht. Vervecken sagt stattdessen, dass der Ansatz des Start-ups maschinelles Lernen verwendet, um Algorithmen zu erstellen, die effektive, aber oft unerwartete Formen und Strukturen liefern können, anstatt die parallelen Rippen, die in den meisten herkömmlichen Konstruktionen zu finden sind, wobei Herstellungsbeschränkungen verwendet werden, um zu verhindern, dass sie werden zu unpraktisch zur Herstellung.

„Deshalb können wir bis zu 30 Prozent zusätzliche Kühlleistung erzielen“, erklärt Vervecken.

Oben: Ein 3D-Design von Diabatix

Wärmetechnik

Ein weiteres potenzielles Ziel für maschinelles Lernen in der Thermotechnik besteht darin, den durch die Simulation verursachten Engpass zu verringern, wenn eine große Anzahl von Varianten parallel analysiert werden muss, bevor weitere Fortschritte erzielt werden können.

Das Training eines Deep-Learning-Modells mit den Ergebnissen umfangreicher Simulationen wurde in Bereichen wie der Material- und Teilchenphysikforschung eingesetzt, da die trainierten Modelle schneller als die ursprünglichen Simulationen ausgeführt werden können, was selbst auf einem Supercomputer Tage dauern kann. Sie bieten nicht die volle Genauigkeit, können jedoch auf einem schnellen Weg zur Eingabe von Parametern verwendet werden, bevor eine endgültige detaillierte Simulation ausgeführt wird.

Der GPU-Hersteller nVidia, der bereits ein starker Befürworter des maschinellen Lernens ist, hat dieselbe Technik auf ein Projekt namens SimNet angewendet, um dies auch für die Arten von CFD-Modellen (Computational Fluid Dynamics) zu tun, die für die Wärmetechnik verwendet werden.

Ein Hauptproblem besteht darin, dass Deep Learning selbst rechenintensiv ist und wochenlange Simulationen erfordert, um ein ausreichend großes Trainingsset zu erstellen, damit ein KI-Modell lernen kann, wie Parameter den Luft- und Wärmefluss im Weltraum beeinflussen.

Vervecken sagt, dass die Bandbreite der Projekte, an denen sie beteiligt sind, die vom Kühlkörper des Mobiltelefonprozessors bis zur Kühlplatte der Batterie im LKW-Maßstab reichen, die Komplexität des Problems erhöht.

„Ein einzelnes Modell trainieren, um das gesamte Spektrum abzudecken? Das ist schwierig “, sagt Vervecken und sagt, dass es sinnvoller ist, maschinelles Lernen für die Entwurfswerkzeuge als für die Simulations-Engine zu priorisieren.

Gegen eine mögliche AI-basierte Beschleunigung müssen Sie die Beiträge abwägen, die sich aus der direkten Optimierung der CFD-Algorithmen (Computational Fluid Dynamics) ergeben können.

Spezialanbieter wie Future Facilities haben Multicore-Ausführung und andere Optimierungen eingesetzt, um die Gesamtdurchlaufzeit zu verkürzen. In einer Studie mit Rohde & Schwarz wurde die Zeit vom Ausführen einer Simulation vom CAD-Import über die Netzgenerierung bis zur Analyse von mehr als 15 auf unter 40 Stunden verkürzt.

Neben Kühlkörpern kann auch simulationsgesteuertes maschinelles Lernen auf das Design von Kerngeräten und Systemen angewendet werden.

„Ein Bereich, in dem Future Facilities mit Forschungsgruppen für maschinelles Lernen zusammenarbeitet, ist die Verwendung der CFD-Simulation zum Trainieren von Algorithmen für maschinelles Lernen“, stellt Gregory fest.

Es gibt eine Reihe von Bereichen, in denen sich das maschinelle Lernen als nützlich erweisen kann. Eine Möglichkeit besteht darin, einfache Modelle für die Wärmeerzeugung und -übertragung zu erstellen, anhand derer Algorithmen entscheiden können, wann Prozessoren auf einem Multicore-SoC heruntergefahren werden sollen.

„Durch die thermische Simulation kann der Algorithmus für maschinelles Lernen leicht trainieren, wie sich die Temperatur des Geräts je nach Prozessorauslastung ändern würde. Dies kann schnell parallel erfolgen, bevor das Gerät überhaupt hergestellt wurde “, sagt Gregory.

Eine weitere Verwendung liegt in der Forschung und Entwicklung für neue Gerätetypen, z. B. für die Leistungselektronik, bei denen übermäßige Hitze zu thermischem Durchgehen und anderen Sicherheitsproblemen führen kann. „Umfassende Trainingsdaten sind für einen effektiven Algorithmus für maschinelles Lernen unerlässlich, aber es ist oft nicht praktisch oder sicher, Trainingsdaten von physischen Geräten zu erhalten. Wenn Sie ein neues Gerät oder System optimieren, wurde möglicherweise kein physisches Gerät erstellt “, sagt Gregory.

Leistung ist nicht die einzige Motivation für den Einsatz KI-basierter Modelle. „Sehr oft suchen sie nach einer günstigeren Lösung“, fügt Vervecken hinzu. „Bei uns herrscht ein Missverständnis Technologie. Wir sind nicht immer auf der Suche nach dem effizientesten Kühlkörper. Wir haben ein laufendes Projekt, bei dem der Kunde stattdessen nach der günstigsten Lösung sucht. Der Kunde sagte, die Leistung sei kein Problem: Das vorhandene Design sei bereits um 30 Prozent überdimensioniert, aber er könne diese Art von Design nicht günstiger bekommen.“

Das maschinelle Lernen für die Wärmetechnik ist noch in den Anfängen, aber generative Entwurfstechniken demonstrieren den Wert von Simulation und schneller Iteration bei der Entwicklung von Entwürfen, die besser funktionieren, billiger funktionieren oder beides.