Evolución térmica
Hace dos años, un equipo de HP se enfrentó al desafío de sacar más flujo de aire de un conducto utilizado para enfriar los cabezales de impresión de una próxima impresora de inyección de tinta.
Sin un enfriamiento eficiente para mantener la tinta fluyendo a la temperatura adecuada, la impresora no puede funcionar a máxima velocidad. Las simulaciones mostraron que el diseño tradicional de los conductos estaba causando demasiada recirculación y turbulencia para funcionar de manera efectiva.
Para solucionar los problemas, HP trabajó con ingenieros de Siemens Digital Industries que unieron las simulaciones de flujo de fluidos con una técnica de CAD mecánico que ahora las empresas denominan diseño generativo para crear una estructura radicalmente diferente.
"A medida que el diseño iba tomando forma, desafió todo lo que todos los que me incluían esperaban", dijo el ingeniero de simulación de Siemens Julian Gaenz después del lanzamiento de la impresora que usaría el conducto, señalando una protuberancia en forma de lengua en el diseño final que su predecesor faltaba.
Hay dos tácticas principales utilizadas en este tipo de diseño generativo. Una es generar variantes al azar después de cada ejecución de simulación con la expectativa de que una o más funcionen mejor. Otra es centrarse en las áreas problemáticas, como la recirculación en el conducto de la impresora HP, y crear formas que parezcan reducir el problema antes de simular una pieza completa para ver qué tan bien funcionaron los cambios. HP está lejos de ser el único que explota el diseño basado en simulación.
Arriba: El resultado del diseño generativo: la profusión de la lengua del conducto HP
Tom Gregory, gerente de producto del proveedor de herramientas de análisis térmico Future Facilities, dice que la herramienta 6SigmaET de su empresa se ha utilizado para ayudar a determinar la forma óptima de los pasadores utilizados en ese estilo de disipador térmico.
“La optimización se realizó mediante el uso de algoritmos genéticos en combinación con CFD. El objetivo de la optimización era reducir la caída de presión en el disipador de calor manteniendo el rendimiento térmico ".
Aunque es completamente posible crear las variantes o iteraciones a mano, el aprendizaje automático parece ser una herramienta útil para el diseño generativo porque, en principio, puede crear variaciones rápidamente y producir resultados inesperados contradictorios pero efectivos. Gregory señala que varios trabajos de investigación han presentado nuevos diseños de disipadores de calor. ”Los diseños que se generan son impresionantes y visualmente impactantes. Sin embargo, no pueden fabricarse con métodos tradicionales ".
La impresión 3D no es esencial
En términos de investigación, los disipadores de calor a menudo necesitan impresión 3D, al igual que la boquilla HP. Sin embargo, como eso estaba reemplazando seis piezas moldeadas por inyección, la pieza más nueva resultó más rentable una vez que se optimizó el proceso de impresión 3D.
Lieven Vervecken, CEO y cofundador de Diabatix, una startup de diseño generativo con sede en Bélgica, dice que la impresión 3D no es esencial.
"Tenemos algunas técnicas de fabricación que admitimos de forma predeterminada, como el mecanizado CNC, la extrusión, la fundición a presión y el conformado de chapa", dice Vervecken. Cada uno tiene su uso en diferentes mercados. Por ejemplo, el conformado de chapas metálicas ha resultado útil para fabricar las grandes placas frías de batería que necesitan los vehículos eléctricos.
Diabatix ha creado un entorno generativo en torno a una selección de herramientas de diseño y simulación de código abierto que refina de forma iterativa la estructura de un disipador térmico o componente de refrigeración basándose en el análisis de los flujos térmicos y la estructura mecánica del conjunto de herramientas.
La compañía se está preparando para lanzar una versión alojada en la nube de las herramientas en abril.
Aunque el diseño generativo puede utilizar la aleatorización para crear diseños novedosos, este no fue el enfoque adoptado por Diabatix. El problema con la asignación al azar es que la sobrecarga de simulación necesaria para evaluar cada variante hace que la técnica sea demasiado difícil de manejar. En cambio, Vervecken dice que el enfoque utilizado por la startup utiliza el aprendizaje automático para construir algoritmos que pueden generar formas y estructuras efectivas pero a menudo inesperadas en lugar de las aletas paralelas que se encuentran en la mayoría de los diseños convencionales, con restricciones de fabricación utilizadas para evitar que demasiado poco práctico de fabricar.
“Es por eso que podemos generar hasta un 30 por ciento de rendimiento de refrigeración adicional”, afirma Vervecken.
Arriba: un diseño 3D de Diabatix
Ingenieria termal
Otro objetivo potencial para el aprendizaje automático en la ingeniería térmica es reducir el cuello de botella introducido por la simulación si es necesario analizar una gran cantidad de variantes en paralelo antes de que se pueda avanzar más.
El entrenamiento de un modelo de aprendizaje profundo con los resultados de simulaciones extensivas se ha utilizado en áreas como la investigación de materiales y física de partículas porque los modelos entrenados pueden ejecutarse más rápido que las simulaciones originales, que pueden tardar días en completarse incluso en una supercomputadora. No ofrecen una precisión total, pero se pueden utilizar en una ruta rápida para localizar los parámetros antes de ejecutar una simulación detallada final.
El fabricante de GPU nVidia, que ya es un firme defensor del aprendizaje automático, ha aplicado la misma técnica a un proyecto llamado SimNet para hacer lo mismo con los tipos de modelos de dinámica de fluidos computacional (CFD) utilizados para la ingeniería térmica.
Un problema clave es que el aprendizaje profundo en sí mismo es computacionalmente intensivo y requiere semanas de simulación para construir un conjunto de entrenamiento lo suficientemente grande como para permitir que un modelo de IA aprenda cómo los parámetros afectan el flujo de aire y calor en el espacio.
Vervecken dice que la gama de proyectos en los que están involucrados, que varían en escala desde disipadores de calor de procesadores de teléfonos móviles hasta placas frías de batería a escala de camión, aumenta la complejidad del problema.
”¿Entrenar un solo modelo para cubrir toda esa gama? Eso es difícil ”, dice Vervecken, y dice que tiene más sentido priorizar el aprendizaje automático para las herramientas de diseño en lugar del motor de simulación.
Frente a una posible aceleración basada en IA, debe sopesar las contribuciones que pueden provenir simplemente de optimizar directamente los algoritmos de dinámica de fluidos computacional (CFD).
Los proveedores especializados, como Future Facilities, han empleado la ejecución multinúcleo y otras optimizaciones para reducir el tiempo de respuesta general. En un estudio con Rohde & Schwarz, el tiempo transcurrido desde la ejecución de una simulación desde la importación de CAD hasta la generación de malla y el análisis se redujo a menos de 15 horas desde más de 40.
Además de los disipadores de calor, el aprendizaje automático impulsado por simulación se puede aplicar al diseño de dispositivos y sistemas centrales.
"Un área en la que Future Facilities está trabajando con los grupos de investigación de aprendizaje automático es el uso de la simulación CFD para entrenar algoritmos de aprendizaje automático", señala Gregory.
Hay una serie de áreas en las que el aprendizaje automático puede resultar útil. Una es ayudar a construir modelos simples de generación y transferencia de calor que puedan guiar los algoritmos utilizados para decidir cuándo apagar los procesadores en un SoC multinúcleo.
“La simulación térmica puede entrenar fácilmente al algoritmo de aprendizaje automático sobre cómo cambiaría la temperatura del dispositivo según el uso del procesador. Esto se puede hacer rápidamente en paralelo incluso antes de que se haya fabricado el dispositivo ”, dice Gregory.
Otro uso radica en I + D para nuevos tipos de dispositivos, como los que se utilizan para la electrónica de potencia, donde el calor excesivo puede provocar fugas térmicas y otros problemas de seguridad. “Los datos de entrenamiento completos son esenciales para un algoritmo de aprendizaje automático eficaz, pero a menudo no es práctico ni seguro obtener datos de entrenamiento de dispositivos físicos. Si está optimizando un nuevo dispositivo o sistema, es posible que no se haya creado un dispositivo físico ”, dice Gregory.
El rendimiento no es la única motivación para utilizar modelos basados en IA. “Muy a menudo lo que buscan es una solución más económica”, añade Vervecken. “Hay una idea errónea que existe con nuestra la tecnología. No siempre buscamos el disipador más eficiente. Tenemos un proyecto en marcha en el que el cliente busca la solución más asequible. El cliente dijo que el rendimiento no es un problema: el diseño existente ya tiene un exceso de provisiones del 30 por ciento, pero no pueden conseguir que ese tipo de diseño sea más barato”.
Todavía es temprano para el aprendizaje automático para la ingeniería térmica, pero las técnicas de diseño generativo están demostrando el valor de la simulación y la iteración rápida para crear diseños que funcionen mejor, resulten más económicos o ambas cosas.