Evolusi termal

Dua tahun lalu, tim HP dihadapkan pada tantangan untuk mendapatkan lebih banyak aliran udara keluar dari saluran yang digunakan untuk mendinginkan kepala cetak printer inkjet yang akan datang.

Tanpa pendinginan yang efisien untuk menjaga agar tinta tetap mengalir pada suhu yang tepat, printer tidak dapat beroperasi dengan kecepatan penuh. Simulasi menunjukkan desain saluran tradisional menyebabkan terlalu banyak resirkulasi dan turbulensi untuk bekerja secara efektif.

Untuk mengatasi masalah ini, HP bekerja dengan para insinyur di Siemens Digital Industries yang menggabungkan simulasi aliran fluida dengan teknik teknik perusahaan CAD sekarang menggunakan istilah desain generatif untuk menghasilkan struktur yang sangat berbeda.

“Karena desainnya sedang dibentuk, hal itu menantang apa pun yang diharapkan semua orang termasuk saya,” kata insinyur simulasi Siemens Julian Gaenz setelah peluncuran printer yang akan menggunakan saluran tersebut, menunjuk ke tonjolan seperti lidah di desain akhir yang pendahulunya. kurang.

Ada dua taktik utama yang digunakan dalam desain generatif semacam ini. Salah satunya adalah membuat varian secara acak setelah setiap simulasi berjalan dengan harapan satu atau lebih akan bekerja lebih baik. Yang lainnya adalah untuk menemukan area masalah, seperti sirkulasi ulang di saluran printer HP, dan menghasilkan bentuk yang tampaknya dapat mengurangi masalah sebelum mensimulasikan seluruh bagian untuk melihat seberapa baik perubahan tersebut bekerja. HP tidak sendirian dalam memanfaatkan desain yang digerakkan oleh simulasi.

Atas: Hasil desain generatif - kelimpahan lidah saluran HP

Tom Gregory, manajer produk pemasok alat analisis termal Future Facilities, mengatakan bahwa alat 6SigmaET perusahaannya telah digunakan untuk membantu menentukan bentuk optimal pin yang digunakan dalam gaya heatsink tersebut.

“Optimasi dilakukan dengan menggunakan algoritma genetika yang dikombinasikan dengan CFD. Tujuan pengoptimalan adalah untuk mengurangi penurunan tekanan di heat sink sambil mempertahankan kinerja termal. ”

Meskipun sangat mungkin untuk membuat varian atau iterasi dengan tangan, pembelajaran mesin tampaknya menjadi alat yang berguna untuk desain generatif karena, pada prinsipnya, ini dapat membuat variasi dengan cepat dan memberikan hasil yang berlawanan dengan intuisi tetapi efektif. Gregory menunjukkan beberapa makalah penelitian telah menghasilkan desain heat-sink baru. “Desain yang dihasilkan sangat mengesankan dan memukau secara visual. Namun, mereka tidak dapat diproduksi dengan metode tradisional. "

Pencetakan 3D tidak penting

Dalam hal penelitian heatsink seringkali membutuhkan pencetakan 3D, seperti halnya nozzle HP. Namun karena itu menggantikan enam bagian cetakan injeksi, bagian yang lebih baru bekerja lebih hemat biaya setelah proses pencetakan 3D dioptimalkan.

Lieven Vervecken, CEO dan salah satu pendiri startup desain generatif yang berbasis di Belgia Diabatix mengatakan pencetakan 3D tidak penting.

“Kami memiliki beberapa teknik manufaktur yang kami dukung secara default, seperti pemesinan CNC, ekstrusi, die-casting, dan pembentukan lembaran logam,” kata Vervecken. Masing-masing memiliki kegunaannya di pasar yang berbeda. Misalnya, pembentukan lembaran logam telah terbukti bermanfaat untuk membuat pelat dingin baterai besar yang dibutuhkan oleh kendaraan listrik.

Diabatix telah membangun lingkungan generatif di sekitar pilihan desain sumber terbuka dan alat simulasi yang secara berulang menyempurnakan struktur heatsink atau komponen pendingin berdasarkan analisis toolsuite aliran termal dan struktur mekanis.

Perusahaan sedang bersiap untuk meluncurkan versi alat yang dihosting di cloud pada bulan April.

Meskipun desain generatif dapat menggunakan pengacakan untuk membuat desain baru, ini bukanlah pendekatan yang diambil oleh Diabatix. Masalah dengan pengacakan adalah bahwa simulasi overhead yang diperlukan untuk menilai setiap varian membuat teknik terlalu berat. Sebaliknya, Vervecken mengatakan pendekatan yang digunakan oleh start-up menggunakan pembelajaran mesin untuk membangun algoritme yang dapat menghasilkan bentuk dan struktur yang efektif tetapi sering tidak terduga daripada sirip paralel yang ditemukan di sebagian besar desain konvensional, dengan batasan manufaktur yang digunakan untuk menghentikannya menjadi. terlalu tidak praktis untuk diproduksi.

“Inilah mengapa kami dapat menghasilkan kinerja pendinginan tambahan hingga 30 persen,” klaim Vervecken.

Atas: Desain 3D dari Diabatix

Rekayasa termal

Target potensial lainnya untuk pembelajaran mesin dalam rekayasa termal adalah untuk mengurangi hambatan yang disebabkan oleh simulasi jika sejumlah besar varian perlu dianalisis secara paralel sebelum kemajuan lebih lanjut dapat dibuat.

Pelatihan model pembelajaran mendalam dengan hasil simulasi ekstensif telah digunakan di berbagai bidang seperti penelitian material dan fisika partikel karena model yang dilatih dapat berjalan lebih cepat daripada simulasi asli, yang mungkin memerlukan waktu berhari-hari untuk diselesaikan bahkan pada superkomputer. Mereka tidak menawarkan akurasi penuh tetapi dapat digunakan pada jalur cepat ke rumah pada parameter sebelum menjalankan simulasi rinci akhir.

Pembuat GPU nVidia, yang sudah menjadi pendukung kuat pembelajaran mesin telah menerapkan teknik yang sama pada proyek yang disebut SimNet untuk melakukan hal yang sama untuk jenis model komputasi fluida (CFD) yang digunakan untuk rekayasa termal.

Masalah utamanya adalah bahwa pembelajaran dalam itu sendiri intensif secara komputasi dan membutuhkan simulasi berminggu-minggu untuk membangun set pelatihan yang cukup besar untuk memungkinkan model AI mempelajari bagaimana parameter memengaruhi aliran udara dan panas di ruang angkasa.

Vervecken mengatakan berbagai proyek di mana mereka terlibat, yang berkisar dalam skala dari heatsink prosesor ponsel hingga pelat pendingin baterai skala truk, meningkatkan kompleksitas masalah.

“Untuk melatih satu model untuk mencakup seluruh rentang itu? Itu sulit, ”kata Vervecken, mengatakan bahwa lebih masuk akal untuk memprioritaskan pembelajaran mesin untuk alat desain daripada mesin simulasi.

Terhadap kemungkinan percepatan berbasis AI, Anda perlu mempertimbangkan kontribusi yang dapat berasal dari hanya mengoptimalkan algoritme computational fluid dynamics (CFD) secara langsung.

Vendor spesialis seperti Future Facilities telah menggunakan eksekusi multicore dan pengoptimalan lain untuk memangkas waktu penyelesaian secara keseluruhan. Dalam sebuah studi dengan Rohde & Schwarz, waktu yang dibutuhkan dari menjalankan simulasi dari impor CAD melalui pembuatan mesh hingga analisis dipotong menjadi di bawah 15 jam dari lebih dari 40.

Selain heatsink, pembelajaran mesin yang digerakkan simulasi dapat diterapkan ke perangkat inti dan desain sistem.

“Salah satu area yang dikerjakan oleh Future Facilities dengan kelompok penelitian pembelajaran mesin adalah dalam menggunakan simulasi CFD untuk melatih algoritme pembelajaran mesin,” catat Gregory.

Ada sejumlah area tempat pembelajaran mesin terbukti berguna. Salah satunya adalah membantu membangun model sederhana pembangkitan dan transfer panas yang dapat memandu algoritme yang digunakan untuk memutuskan kapan mematikan prosesor pada SoC multi inti.

“Simulasi termal dapat dengan mudah melatih algoritme pembelajaran mesin bagaimana suhu perangkat akan berubah berdasarkan penggunaan prosesor. Ini dapat dilakukan dengan cepat secara paralel bahkan sebelum perangkat diproduksi, ”kata Gregory.

Kegunaan lain terletak pada R&D untuk jenis perangkat baru, seperti yang digunakan untuk elektronika daya, di mana panas yang berlebihan dapat menyebabkan pelarian termal dan masalah keselamatan lainnya. “Data pelatihan yang komprehensif sangat penting untuk algoritme pembelajaran mesin yang efektif, tetapi seringkali tidak praktis atau aman untuk mendapatkan data pelatihan dari perangkat fisik. Jika Anda mengoptimalkan perangkat atau sistem baru, perangkat fisik mungkin belum dibuat, ”kata Gregory.

Performa bukan satu-satunya motivasi untuk menggunakan model berbasis AI. “Sering kali mereka mencari solusi yang lebih murah,” tambah Vervecken. “Ada kesalahpahaman yang terjadi pada kami teknologi. Kami tidak selalu mencari heatsink yang paling efisien. Kami memiliki proyek yang sedang berjalan di mana pelanggan mencari solusi yang paling terjangkau. Pelanggan mengatakan kinerja tidak menjadi masalah: desain yang ada sudah disediakan secara berlebihan sebesar 30 persen namun mereka tidak bisa mendapatkan jenis desain tersebut dengan harga lebih murah.”

Ini masih merupakan hari-hari awal untuk pembelajaran mesin untuk teknik termal, tetapi teknik desain generatif menunjukkan nilai simulasi dan iterasi yang cepat dalam menghasilkan desain yang bekerja lebih baik, lebih murah, atau keduanya.