Évolution thermique
Il y a deux ans, une équipe de HP a été confrontée au défi d'obtenir plus de flux d'air d'un conduit utilisé pour refroidir les têtes d'impression d'une future imprimante à jet d'encre.
Sans refroidissement efficace pour maintenir l'encre à la bonne température, l'imprimante ne peut pas fonctionner à pleine vitesse. Les simulations ont montré que la conception traditionnelle des conduits entraînait trop de recirculation et de turbulence pour fonctionner efficacement.
Pour contourner les problèmes, HP a travaillé avec des ingénieurs de Siemens Digital Industries qui ont associé des simulations d'écoulement de fluide à une technique que les sociétés de CAO mécanique désignent désormais par conception générative pour proposer une structure radicalement différente.
«Au fur et à mesure que la conception se dessinait, elle a en quelque sorte défié tout ce que tout le monde y compris moi attendait», a déclaré Julian Gaenz, ingénieur en simulation de Siemens, après le lancement de l'imprimante qui utiliserait le conduit, indiquant une saillie en forme de langue dans la conception finale de son prédécesseur. manquait.
Il existe deux tactiques principales utilisées dans ce type de conception générative. La première consiste à générer au hasard des variantes après chaque exécution de simulation dans l'espoir qu'une ou plusieurs fonctionneront mieux. Une autre consiste à se concentrer sur les domaines problématiques, tels que la recirculation dans le conduit de l'imprimante HP, et à proposer des formes qui semblent susceptibles de réduire le problème avant de simuler une pièce complète pour voir dans quelle mesure les changements ont fonctionné. HP est loin d'être le seul à exploiter la conception axée sur la simulation.
Ci-dessus: le résultat de la conception générative - la profusion de languette de conduit HP
Tom Gregory, chef de produit du fournisseur d'outils d'analyse thermique Future Facilities, explique que l'outil 6SigmaET de son entreprise a été utilisé pour aider à déterminer la forme optimale des broches utilisées dans ce style de dissipateur thermique.
«L'optimisation a été réalisée en utilisant des algorithmes génétiques en combinaison avec CFD. L'objectif de l'optimisation était de réduire la perte de charge à travers le dissipateur thermique tout en maintenant les performances thermiques. »
Bien qu'il soit tout à fait possible de créer les variantes ou les itérations à la main, l'apprentissage automatique semble être un outil utile pour la conception générative car, en principe, il peut créer rapidement des variations et produire des résultats inattendus contre-intuitifs mais efficaces. Gregory souligne que plusieurs articles de recherche ont mis au point de nouvelles conceptions de dissipateurs de chaleur. «Les designs générés sont impressionnants et visuellement étonnants. Cependant, ils ne peuvent pas être fabriqués par des méthodes traditionnelles. »
L'impression 3D n'est pas indispensable
En termes de recherche, les dissipateurs ont souvent besoin d'une impression 3D, tout comme la buse HP. Cependant, comme cela remplaçait six pièces moulées par injection, la nouvelle pièce s'est avérée plus rentable une fois le processus d'impression 3D optimisé.
Lieven Vervecken, PDG et co-fondateur de la start-up belge de conception générative Diabatix, affirme que l'impression 3D n'est pas essentielle.
«Nous avons quelques techniques de fabrication que nous prenons en charge par défaut, telles que l'usinage CNC, l'extrusion, le moulage sous pression et le formage de la tôle», explique Vervecken. Chacun a son utilisation dans différents marchés. Par exemple, le formage de la tôle s'est avéré utile pour fabriquer les grandes plaques froides de batterie nécessaires aux véhicules électriques.
Diabatix a construit un environnement génératif autour d'une sélection d'outils de conception et de simulation open-source qui affine de manière itérative la structure d'un dissipateur thermique ou d'un composant de refroidissement en fonction de l'analyse des flux thermiques et de la structure mécanique de la suite d'outils.
La société se prépare à lancer une version hébergée dans le cloud des outils en avril.
Bien que la conception générative puisse utiliser la randomisation pour créer de nouvelles conceptions, ce n'était pas l'approche adoptée par Diabatix. Le problème avec la randomisation est que la surcharge de simulation nécessaire pour évaluer chaque variante rend la technique trop lourde. Au lieu de cela, Vervecken dit que l'approche utilisée par la start-up utilise l'apprentissage automatique pour créer des algorithmes qui peuvent créer des formes et des structures efficaces mais souvent inattendues plutôt que les ailettes parallèles trouvées dans la plupart des conceptions conventionnelles, avec des contraintes de fabrication utilisées pour les empêcher de devenir trop peu pratique à fabriquer.
«C'est pourquoi nous pouvons générer jusqu'à 30% de performances de refroidissement supplémentaires», affirme Vervecken.
Ci-dessus: une conception 3D de Diabatix
Génie thermique
Un autre objectif potentiel de l'apprentissage automatique en génie thermique est de réduire le goulot d'étranglement introduit par la simulation si un grand nombre de variantes doivent être analysées en parallèle avant de pouvoir progresser.
La formation d'un modèle d'apprentissage en profondeur avec les résultats de simulations approfondies a été utilisée dans des domaines tels que la recherche sur les matériaux et la physique des particules, car les modèles entraînés peuvent fonctionner plus rapidement que les simulations d'origine, ce qui peut prendre des jours, même sur un supercalculateur. Ils n'offrent pas une précision totale, mais peuvent être utilisés sur un chemin rapide vers les paramètres avant d'exécuter une simulation détaillée finale.
Le fabricant de GPU nVidia, qui est déjà un fervent partisan de l'apprentissage automatique, a appliqué la même technique à un projet appelé SimNet pour faire de même pour les types de modèles de dynamique des fluides informatiques (CFD) utilisés pour l'ingénierie thermique.
Un problème clé est que l'apprentissage en profondeur lui-même est intensif en calcul et nécessite des semaines de simulation pour créer un ensemble d'entraînement suffisamment grand pour permettre à un modèle d'IA d'apprendre comment les paramètres affectent le flux d'air et de chaleur dans l'espace.
Vervecken dit que la gamme de projets dans lesquels ils sont impliqués, qui vont des dissipateurs thermiques de processeur de téléphone portable à la plaque froide de batterie de camion, augmente la complexité du problème.
«Former un seul modèle pour couvrir toute cette gamme? C'est difficile », déclare Vervecken, affirmant qu'il est plus logique de donner la priorité à l'apprentissage automatique pour les outils de conception plutôt que pour le moteur de simulation.
Par rapport à une éventuelle accélération basée sur l'IA, vous devez peser les contributions qui peuvent provenir de la simple optimisation directe des algorithmes de dynamique des fluides computationnels (CFD).
Des fournisseurs spécialisés tels que Future Facilities ont utilisé une exécution multicœur et d'autres optimisations pour réduire le temps de traitement global. Dans une étude menée avec Rohde & Schwarz, le temps nécessaire entre l'exécution d'une simulation, de l'importation CAO à la génération du maillage et à l'analyse, a été ramené à moins de 15 heures de plus de 40.
Outre les dissipateurs thermiques, l'apprentissage automatique basé sur la simulation peut être appliqué à la conception des principaux appareils et systèmes.
«L'un des domaines dans lesquels Future Facilities travaille avec des groupes de recherche sur l'apprentissage automatique est l'utilisation de la simulation CFD pour former des algorithmes d'apprentissage automatique», note Gregory.
Il existe un certain nombre de domaines dans lesquels l'apprentissage automatique peut s'avérer utile. La première consiste à aider à construire des modèles simples de génération et de transfert de chaleur qui peuvent guider les algorithmes utilisés pour décider quand éteindre les processeurs sur un SoC multicœur.
«La simulation thermique peut facilement entraîner l'algorithme d'apprentissage automatique à la manière dont la température de l'appareil changerait en fonction de l'utilisation du processeur. Cela peut être fait rapidement en parallèle avant même que l'appareil n'ait été fabriqué », explique Gregory.
Une autre utilisation réside dans la R&D pour de nouveaux types d'appareils, tels que ceux utilisés pour l'électronique de puissance, où une chaleur excessive peut provoquer un emballement thermique et d'autres problèmes de sécurité. «Des données d'entraînement complètes sont essentielles pour un algorithme d'apprentissage automatique efficace, mais il n'est souvent ni pratique ni sûr d'obtenir des données d'entraînement à partir d'appareils physiques. Si vous optimisez un nouveau périphérique ou système, un périphérique physique n'a peut-être pas été créé », explique Gregory.
La performance n’est pas la seule motivation pour utiliser des modèles basés sur l’IA. « Très souvent, ils recherchent une solution moins coûteuse », ajoute Vervecken. « Il existe une idée fausse concernant notre sans souci. Nous ne recherchons pas toujours le dissipateur thermique le plus efficace. Nous avons un projet en cours dans lequel le client recherche plutôt la solution la plus abordable. Le client a déclaré que les performances ne sont pas un problème : la conception existante est déjà surprovisionnée de 30 %, mais il ne peut pas obtenir ce type de conception pour être moins cher. »
L'apprentissage automatique pour l'ingénierie thermique en est encore à ses débuts, mais les techniques de conception générative démontrent la valeur de la simulation et de l'itération rapide pour proposer des conceptions qui fonctionnent mieux, fonctionnent moins cher ou les deux.