Thermische evolutie
Twee jaar geleden stond een team van HP voor de uitdaging om meer lucht uit een kanaal te krijgen dat wordt gebruikt om de printkoppen van een aankomende inkjetprinter te koelen.
Zonder efficiënte koeling om de inkt op de juiste temperatuur te laten stromen, kan de printer niet op volle snelheid werken. Simulaties toonden aan dat het traditionele kanaalontwerp te veel recirculatie en turbulentie veroorzaakte om effectief te werken.
Om de problemen te omzeilen, werkte HP samen met ingenieurs bij Siemens Digital Industries die vloeistofstroomsimulaties koppelden aan een techniek die mechanische CAD-bedrijven nu generatief ontwerp noemen, om zo een radicaal andere structuur te bedenken.
"Terwijl het ontwerp vorm kreeg, trotseerde het min of meer wat iedereen mij ook verwachtte", zei simulatie-ingenieur Julian Gaenz van Siemens na de lancering van de printer die het kanaal zou gebruiken, wijzend op een tongachtig uitsteeksel in het uiteindelijke ontwerp dat zijn voorganger ontbrak.
Er worden twee hoofdtactieken gebruikt bij dit soort generatieve ontwerpen. Een daarvan is om willekeurig varianten te genereren na elke simulatierun in de verwachting dat een of meer beter zullen werken. Een andere is om aandacht te besteden aan probleemgebieden, zoals de recirculatie in het kanaal van de HP-printer, en vormen te bedenken die het probleem waarschijnlijk lijken te verminderen voordat u een volledig onderdeel simuleert om te zien hoe goed de veranderingen werkten. HP is verre van de enige in het benutten van simulatiegestuurd ontwerp.
Boven: het resultaat van generatief ontwerp - de overvloed aan HP-kanaaltong
Tom Gregory, productmanager van de leverancier van thermische analysetools Future Facilities, zegt dat de 6SigmaET-tool van zijn bedrijf is gebruikt om de optimale vorm te bepalen voor pennen die in die stijl van heatsink worden gebruikt.
“De optimalisatie is uitgevoerd met behulp van genetische algoritmen in combinatie met CFD. Het doel van de optimalisatie was om de drukval over het koellichaam te verminderen met behoud van thermische prestaties. "
Hoewel het heel goed mogelijk is om de varianten of iteraties met de hand te maken, lijkt machine learning een handig hulpmiddel voor generatief ontwerp, omdat het in principe snel variaties kan creëren en tegen-intuïtieve maar effectieve onverwachte resultaten kan opleveren. Gregory wijst op verschillende onderzoekspapers die met nieuwe koellichaamontwerpen zijn gekomen. ”De ontwerpen die worden gegenereerd zijn indrukwekkend en visueel verbluffend. Ze kunnen echter niet op traditionele wijze worden vervaardigd. "
3D-printen is niet essentieel
Qua onderzoek hebben koellichamen vaak 3D-printen nodig, net als de HP-spuitmond. Omdat dat echter zes spuitgegoten onderdelen vervangt, is het nieuwere onderdeel kosteneffectiever geworden zodra het 3D-printproces was geoptimaliseerd.
Lieven Vervecken, CEO en mede-oprichter van de in België gevestigde generative-design startup Diabatix zegt dat 3D-printen niet essentieel is.
“We hebben een aantal fabricagetechnieken die we standaard ondersteunen, zoals CNC-bewerking, extrusie, spuitgieten en plaatbewerking”, zegt Vervecken. Elk heeft zijn gebruik in verschillende markten. Het vormen van plaatmetaal is bijvoorbeeld nuttig gebleken voor het maken van de koude platen van grote batterijen die nodig zijn voor elektrische voertuigen.
Diabatix heeft een generatieve omgeving gebouwd rond een selectie van open-source ontwerp- en simulatietools die de structuur van een koellichaam of koelcomponent iteratief verfijnen op basis van de analyse van thermische stromen en mechanische structuur van de toolsuite.
Het bedrijf bereidt zich voor om in april een in de cloud gehoste versie van de tools te lanceren.
Hoewel generatief ontwerp randomisatie kan gebruiken om nieuwe ontwerpen te creëren, was dit niet de benadering van Diabatix. Het probleem met randomisatie is dat de simulatie-overhead die nodig is om elke variant te beoordelen, de techniek te omslachtig maakt. In plaats daarvan zegt Vervecken dat de aanpak die door de start-up wordt gebruikt, machine learning gebruikt om algoritmen te bouwen die effectieve maar vaak onverwachte vormen en structuren kunnen bedenken in plaats van de parallelle vinnen die in de meeste conventionele ontwerpen worden aangetroffen, met fabricagebeperkingen die worden gebruikt om te voorkomen dat ze worden te onpraktisch om te vervaardigen.
“Daarom kunnen we tot 30 procent extra koelprestaties genereren”, stelt Vervecken.
Boven: een 3D-ontwerp van Diabatix
Thermische techniek
Een ander potentieel doel voor machine learning in thermische engineering is het verminderen van de bottleneck die door simulatie wordt geïntroduceerd als een groot aantal varianten parallel moet worden geanalyseerd voordat verdere vooruitgang kan worden geboekt.
Het trainen van een diepgaand leermodel met de resultaten van uitgebreide simulaties is gebruikt in gebieden zoals materiaal- en deeltjesfysisch onderzoek, omdat de getrainde modellen sneller kunnen draaien dan de originele simulaties, die zelfs op een supercomputer dagen in beslag kunnen nemen. Ze bieden geen volledige nauwkeurigheid, maar kunnen worden gebruikt op een snel pad naar home-in op parameters voordat een laatste gedetailleerde simulatie wordt uitgevoerd.
GPU-maker nVidia, die al een groot voorstander is van machine learning, heeft dezelfde techniek toegepast op een project genaamd SimNet om hetzelfde te doen voor de soorten computational fluid dynamics (CFD) -modellen die worden gebruikt voor thermische engineering.
Een belangrijk probleem is dat deep learning zelf rekenintensief is en weken van simulatie vereist om een trainingsset te bouwen die groot genoeg is om een AI-model te laten leren hoe parameters de lucht- en warmtestroom in de ruimte beïnvloeden.
Vervecken zegt dat het scala aan projecten waarbij ze betrokken zijn, variërend in schaal van heatsinks voor mobiele telefoons tot koude platen op vrachtwagenweegschaal, de complexiteit van het probleem vergroot.
”Om een enkel model te trainen om dat hele bereik te dekken? Dat is moeilijk ”, zegt Vervecken, en hij zegt dat het logischer is om voor de ontwerptools prioriteit te geven aan machine learning dan aan de simulatie-engine.
Tegen een mogelijke op AI gebaseerde versnelling moet u de bijdragen afwegen die kunnen voortkomen uit het simpelweg optimaliseren van de computational fluid dynamics (CFD) -algoritmen rechtstreeks.
Gespecialiseerde leveranciers zoals Future Facilities hebben multicore-uitvoering en andere optimalisaties toegepast om de algehele doorlooptijd te verkorten. In een onderzoek met Rohde & Schwarz werd de tijd die nodig was om een simulatie uit te voeren, van CAD-import via mesh-generatie tot analyse, teruggebracht tot minder dan 15 uur van meer dan 40.
Naast heatsinks kan simulatiegestuurd machine learning worden toegepast op het ontwerp van kernapparaten en systemen.
"Een van de gebieden waarop Future Facilities werkt met onderzoeksgroepen voor machine learning, is het gebruik van CFD-simulatie om algoritmen voor machine learning te trainen", merkt Gregory op.
Er zijn een aantal gebieden waarop machine learning nuttig kan zijn. Een daarvan is om te helpen bij het bouwen van eenvoudige modellen voor warmteopwekking en -overdracht die algoritmen kunnen sturen die worden gebruikt om te beslissen wanneer processors op een multicore SoC moeten worden uitgeschakeld.
“Thermische simulatie kan het machine learning-algoritme gemakkelijk trainen hoe de temperatuur van het apparaat zou veranderen op basis van het processorgebruik. Dit kan snel parallel worden gedaan voordat het apparaat zelfs maar is vervaardigd ”, zegt Gregory.
Een ander gebruik ligt in R&D voor nieuwe typen apparaten, zoals die gebruikt worden voor vermogenselektronica, waar overmatige hitte thermische uitbarstingen en andere veiligheidsproblemen kan veroorzaken. “Uitgebreide trainingsgegevens zijn essentieel voor een effectief algoritme voor machine learning, maar het is vaak niet praktisch of veilig om trainingsgegevens van fysieke apparaten te verkrijgen. Als je een nieuw apparaat of systeem optimaliseert, is er misschien geen fysiek apparaat gemaakt ”, zegt Gregory.
Prestaties zijn niet de enige motivatie voor het gebruik van op AI gebaseerde modellen. “Heel vaak is het een goedkopere oplossing waar ze naar op zoek zijn”, vult Vervecken aan. “Er bestaat een misvatting bij ons technologie. We zijn niet altijd op zoek naar het meest efficiënte koellichaam. We hebben een project lopen waarbij de klant in plaats daarvan op zoek is naar de meest betaalbare oplossing. De klant zei dat de prestaties geen probleem zijn: het bestaande ontwerp is al met 30 procent overprovisioned, maar ze kunnen dat type ontwerp niet goedkoper krijgen.”
Het is nog vroeg voor machine learning voor thermische engineering, maar generatieve ontwerptechnieken tonen de waarde van simulatie en snelle iteratie aan bij het bedenken van ontwerpen die beter werken, goedkoper uitkomen of beide.