Evoluzione termica
Due anni fa, un team di HP ha dovuto affrontare la sfida di ottenere più flusso d'aria da un condotto utilizzato per raffreddare le testine di stampa di una futura stampante a getto d'inchiostro.
Senza un raffreddamento efficiente per mantenere l'inchiostro che scorre alla giusta temperatura, la stampante non può funzionare a piena velocità. Le simulazioni hanno mostrato che il design tradizionale del condotto causava un eccessivo ricircolo e turbolenza per funzionare in modo efficace.
Per aggirare i problemi, HP ha collaborato con gli ingegneri della Siemens Digital Industries che hanno accoppiato simulazioni di flusso del fluido con una tecnica che le aziende CAD meccaniche ora chiamano progettazione generativa per ottenere una struttura radicalmente diversa.
"Mentre il progetto prendeva forma, ha sfidato qualsiasi cosa tutti, incluso me, si aspettassero", ha detto l'ingegnere di simulazione Siemens Julian Gaenz dopo il lancio della stampante che avrebbe utilizzato il condotto, indicando una sporgenza simile a una lingua nel progetto finale che il suo predecessore mancava.
Ci sono due tattiche principali utilizzate in questo tipo di progettazione generativa. Uno è generare varianti casuali dopo ogni simulazione eseguita nell'aspettativa che una o più funzionino meglio. Un altro è concentrarsi sulle aree problematiche, come il ricircolo nel condotto della stampante HP, e trovare forme che sembrano in grado di ridurre il problema prima di simulare una parte completa per vedere come hanno funzionato le modifiche. HP è tutt'altro che l'unico a sfruttare la progettazione basata sulla simulazione.
Sopra: il risultato del design generativo: la profusione della lingua del condotto HP
Tom Gregory, product manager del fornitore di strumenti di analisi termica Future Facilities, afferma che lo strumento 6SigmaET della sua azienda è stato utilizzato per determinare la forma ottimale per i perni utilizzati in quello stile di dissipatore di calore.
“L'ottimizzazione è stata eseguita utilizzando algoritmi genetici in combinazione con CFD. Lo scopo dell'ottimizzazione era ridurre la caduta di pressione attraverso il dissipatore di calore mantenendo le prestazioni termiche ".
Sebbene sia del tutto possibile creare le varianti o le iterazioni a mano, l'apprendimento automatico sembra essere uno strumento utile per la progettazione generativa perché, in linea di principio, può creare rapidamente variazioni e fornire risultati imprevisti controintuitivi ma efficaci. Gregory sottolinea che diversi documenti di ricerca hanno escogitato nuovi progetti di dissipatori di calore. "I progetti generati sono impressionanti e visivamente sbalorditivi. Tuttavia, non possono essere prodotti con metodi tradizionali ".
La stampa 3D non è essenziale
In termini di ricerca, i dissipatori di calore hanno spesso bisogno della stampa 3D, così come l'ugello HP. Tuttavia, poiché si trattava di sostituire sei parti stampate a iniezione, la parte più recente ha funzionato in modo più conveniente una volta ottimizzato il processo di stampa 3D.
Lieven Vervecken, CEO e co-fondatore della startup belga di design generativo Diabatix, afferma che la stampa 3D non è essenziale.
"Abbiamo alcune tecniche di produzione che supportiamo per impostazione predefinita, come la lavorazione CNC, l'estrusione, la pressofusione e la formatura della lamiera", afferma Vervecken. Ognuno ha il suo utilizzo in diversi mercati. Ad esempio, la formatura della lamiera si è dimostrata utile per realizzare le grandi piastre fredde per batterie necessarie ai veicoli elettrici.
Diabatix ha costruito un ambiente generativo attorno a una selezione di strumenti di progettazione e simulazione open source che perfeziona in modo iterativo la struttura di un dissipatore di calore o di un componente di raffreddamento sulla base dell'analisi dei flussi termici e della struttura meccanica della suite di strumenti.
L'azienda si sta preparando a lanciare una versione degli strumenti ospitata nel cloud ad aprile.
Sebbene il design generativo possa utilizzare la randomizzazione per creare nuovi modelli, questo non era l'approccio adottato da Diabatix. Il problema con la randomizzazione è che il sovraccarico di simulazione necessario per valutare ciascuna variante rende la tecnica troppo ingombrante. Invece, Vervecken afferma che l'approccio utilizzato dalla start-up utilizza l'apprendimento automatico per costruire algoritmi che possono produrre forme e strutture efficaci ma spesso inaspettate piuttosto che le alette parallele trovate nella maggior parte dei progetti convenzionali, con vincoli di produzione utilizzati per impedire che diventino troppo poco pratico da produrre.
"Questo è il motivo per cui possiamo generare fino al 30% di prestazioni di raffreddamento aggiuntive", afferma Vervecken.
Sopra: un design 3D di Diabatix
Ingegneria termica
Un altro potenziale obiettivo per l'apprendimento automatico nell'ingegneria termica è ridurre il collo di bottiglia introdotto dalla simulazione se è necessario analizzare in parallelo un gran numero di varianti prima di poter compiere ulteriori progressi.
L'addestramento di un modello di apprendimento profondo con i risultati di simulazioni estese è stato utilizzato in aree come la ricerca sui materiali e sulla fisica delle particelle perché i modelli addestrati possono essere eseguiti più velocemente delle simulazioni originali, che possono richiedere giorni per essere completate anche su un supercomputer. Non offrono la massima precisione, ma possono essere utilizzati su un percorso rapido per raggiungere i parametri prima di eseguire una simulazione dettagliata finale.
Il produttore di GPU nVidia, che è già un forte sostenitore dell'apprendimento automatico, ha applicato la stessa tecnica a un progetto chiamato SimNet per fare lo stesso per i tipi di modelli di fluidodinamica computazionale (CFD) utilizzati per l'ingegneria termica.
Un problema chiave è che l'apprendimento profondo stesso è intensivo dal punto di vista computazionale e richiede settimane di simulazione per costruire un set di formazione abbastanza grande da consentire a un modello di intelligenza artificiale di apprendere come i parametri influenzano il flusso di aria e calore nello spazio.
Vervecken afferma che la gamma di progetti in cui sono coinvolti, che variano in scala dai dissipatori di calore dei processori per telefoni cellulari alla piastra di raffreddamento della batteria per camion, aumenta la complessità del problema.
”Addestrare un singolo modello per coprire l'intera gamma? È difficile ", afferma Vervecken, affermando che ha più senso dare la priorità all'apprendimento automatico per gli strumenti di progettazione piuttosto che al motore di simulazione.
A fronte di una possibile accelerazione basata sull'intelligenza artificiale, è necessario valutare i contributi che possono derivare dalla semplice ottimizzazione diretta degli algoritmi di fluidodinamica computazionale (CFD).
Fornitori specializzati come Future Facilities hanno utilizzato l'esecuzione multicore e altre ottimizzazioni per ridurre i tempi di consegna complessivi. In uno studio con Rohde & Schwarz, il tempo impiegato dall'esecuzione di una simulazione dall'importazione CAD attraverso la generazione della mesh all'analisi è stato ridotto a meno di 15 ore da più di 40.
Oltre ai dissipatori di calore, l'apprendimento automatico basato sulla simulazione può essere applicato al dispositivo principale e alla progettazione del sistema.
"Un'area in cui Future Facilities sta lavorando con i gruppi di ricerca sull'apprendimento automatico è l'utilizzo della simulazione CFD per addestrare algoritmi di apprendimento automatico", osserva Gregory.
Esistono numerose aree in cui l'apprendimento automatico può rivelarsi utile. Uno è aiutare a costruire semplici modelli di generazione e trasferimento di calore che possano guidare gli algoritmi utilizzati per decidere quando spegnere i processori su un SoC multicore.
"La simulazione termica può facilmente addestrare l'algoritmo di apprendimento automatico su come la temperatura del dispositivo cambierebbe in base all'utilizzo del processore. Ciò può essere fatto rapidamente in parallelo prima ancora che il dispositivo sia stato prodotto ", afferma Gregory.
Un altro utilizzo risiede nella ricerca e sviluppo di nuovi tipi di dispositivi, come quelli utilizzati per l'elettronica di potenza, dove il calore eccessivo può causare instabilità termica e altri problemi di sicurezza. "Dati di addestramento completi sono essenziali per un algoritmo di apprendimento automatico efficace, ma spesso non è pratico o sicuro ottenere dati di addestramento da dispositivi fisici. Se stai ottimizzando un nuovo dispositivo o sistema, potrebbe non essere stato creato un dispositivo fisico ", afferma Gregory.
Le prestazioni non sono l’unica motivazione per utilizzare modelli basati sull’intelligenza artificiale. "Molto spesso quello che cercano è una soluzione più economica", aggiunge Vervecken. “C'è un malinteso che esiste con il nostro la tecnologia. Non siamo sempre alla ricerca del dissipatore di calore più efficiente. Abbiamo un progetto in corso in cui il cliente è invece alla ricerca della soluzione più conveniente. Il cliente ha affermato che le prestazioni non sono un problema: il progetto esistente presenta già un overprovisioning del 30%, ma non è possibile rendere quel tipo di progetto più economico."
È ancora agli inizi per l'apprendimento automatico per l'ingegneria termica, ma le tecniche di progettazione generativa stanno dimostrando il valore della simulazione e dell'iterazione rapida nella creazione di progetti che funzionano meglio, che funzionano in modo più economico o entrambi.