Evolução térmica

Dois anos atrás, uma equipe da HP enfrentou o desafio de obter mais fluxo de ar de um duto usado para resfriar os cabeçotes de impressão de uma impressora jato de tinta que estava por vir.

Sem um resfriamento eficiente para manter a tinta fluindo na temperatura certa, a impressora não pode operar em velocidade total. As simulações mostraram que o projeto tradicional do duto estava causando muita recirculação e turbulência para funcionar de maneira eficaz.

Para contornar os problemas, a HP trabalhou com engenheiros da Siemens Digital Industries que combinaram simulações de fluxo de fluido com uma técnica que as empresas de CAD mecânico agora denominam design generativo para criar uma estrutura radicalmente diferente.

“À medida que o design estava se moldando, meio que desafiava tudo o que todos, inclusive eu, esperavam”, disse o engenheiro de simulação da Siemens Julian Gaenz após o lançamento da impressora que usaria o duto, apontando para uma saliência em forma de língua no design final que seu predecessor faltou.

Existem duas táticas principais usadas neste tipo de design generativo. Uma é gerar variantes aleatoriamente após cada execução de simulação na expectativa de que uma ou mais funcionem melhor. Outra é focar nas áreas problemáticas, como a recirculação no duto da impressora HP, e apresentar formas que parecem reduzir o problema antes de simular uma peça completa para ver como as alterações funcionaram. A HP está longe de ser a única a explorar o design orientado por simulação.

Acima: O resultado do design generativo - a profusão da língua do duto HP

Tom Gregory, gerente de produto do fornecedor de ferramentas de análise térmica Future Facilities diz que a ferramenta 6SigmaET de sua empresa foi usada para ajudar a determinar a forma ideal dos pinos usados ​​nesse tipo de dissipador de calor.

“A otimização foi realizada usando algoritmos genéticos em combinação com CFD. O objetivo da otimização era reduzir a queda de pressão no dissipador de calor, mantendo o desempenho térmico. ”

Embora seja inteiramente possível criar as variantes ou iterações manualmente, o aprendizado de máquina parece ser uma ferramenta útil para o design generativo porque, em princípio, pode criar variações rapidamente e gerar resultados inesperados contra-intuitivos, mas eficazes. Gregory aponta para vários trabalhos de pesquisa que surgiram com novos projetos de dissipadores de calor. “Os designs gerados são impressionantes e visualmente deslumbrantes. No entanto, eles não podem ser fabricados por métodos tradicionais. ”

A impressão 3D não é essencial

Em termos de pesquisa, os dissipadores de calor geralmente precisam de impressão 3D, assim como o bico HP. No entanto, como isso estava substituindo seis peças moldadas por injeção, a peça mais nova resultou mais econômica, uma vez que o processo de impressão 3D foi otimizado.

Lieven Vervecken, CEO e cofundador da Diabatix, startup de design generativo com sede na Bélgica, afirma que a impressão 3D não é essencial.

“Temos algumas técnicas de fabricação que oferecemos suporte por padrão, como usinagem CNC, extrusão, fundição sob pressão e conformação de chapas”, diz Vervecken. Cada um tem seu uso em diferentes mercados. Por exemplo, a conformação de chapas provou ser útil para fazer as grandes placas frias de bateria necessárias para os veículos elétricos.

A Diabatix construiu um ambiente generativo em torno de uma seleção de ferramentas de design e simulação de código aberto que refina iterativamente a estrutura de um dissipador de calor ou componente de resfriamento com base na análise do conjunto de ferramentas de fluxos térmicos e estrutura mecânica.

A empresa está se preparando para lançar uma versão das ferramentas hospedada na nuvem em abril.

Embora o design generativo possa usar a randomização para criar designs novos, essa não foi a abordagem adotada pela Diabatix. O problema com a randomização é que a sobrecarga de simulação necessária para avaliar cada variante torna a técnica muito pesada. Em vez disso, Vervecken diz que a abordagem usada pela start-up usa aprendizado de máquina para construir algoritmos que podem vir com formas e estruturas eficazes, mas muitas vezes inesperadas, em vez das aletas paralelas encontradas na maioria dos projetos convencionais, com restrições de fabricação usadas para impedir que se tornem muito impraticável para fabricar.

“É por isso que podemos gerar até 30% de desempenho adicional de refrigeração”, afirma Vervecken.

Acima: Um design 3D da Diabatix

Engenharia Térmica

Outro alvo potencial para aprendizado de máquina em engenharia térmica é reduzir o gargalo introduzido pela simulação se um grande número de variantes precisar ser analisado em paralelo antes que um progresso maior possa ser feito.

O treinamento de um modelo de aprendizado profundo com os resultados de simulações extensivas tem sido usado em áreas como pesquisa de materiais e física de partículas porque os modelos treinados podem rodar mais rápido do que as simulações originais, o que pode levar dias para ser concluído mesmo em um supercomputador. Eles não oferecem precisão total, mas podem ser usados ​​rapidamente para definir os parâmetros antes de executar uma simulação detalhada final.

A fabricante de GPU nVidia, que já é uma forte defensora do aprendizado de máquina, aplicou a mesma técnica a um projeto chamado SimNet para fazer o mesmo para os tipos de modelos de dinâmica de fluidos computacional (CFD) usados ​​para engenharia térmica.

Um problema chave é que o aprendizado profundo é computacionalmente intensivo e requer semanas de simulação para construir um conjunto de treinamento grande o suficiente para permitir que um modelo de IA aprenda como os parâmetros afetam o fluxo de ar e calor no espaço.

Vervecken diz que a gama de projetos nos quais estão envolvidos, que variam em escala de dissipadores de calor com processadores de telefones celulares a placas frias de baterias em escala de caminhões, aumenta a complexidade do problema.

“Treinar um único modelo para cobrir toda essa gama? Isso é difícil ”, diz Vervecken, dizendo que faz mais sentido priorizar o aprendizado de máquina para as ferramentas de design em vez do mecanismo de simulação.

Contra um possível aumento de velocidade baseado em AI, você precisa pesar as contribuições que podem vir da simples otimização dos algoritmos de dinâmica de fluidos computacional (CFD) diretamente.

Fornecedores especializados, como Future Facilities, empregaram a execução de vários núcleos e outras otimizações para reduzir o tempo de resposta geral. Em um estudo com a Rohde & Schwarz, o tempo gasto desde a execução de uma simulação da importação do CAD até a geração da malha até a análise foi reduzido de mais de 15 para menos de 40 horas.

Assim como os dissipadores de calor, o aprendizado de máquina orientado por simulação pode ser aplicado ao dispositivo principal e ao projeto do sistema.

“Uma área em que a Future Facilities está trabalhando com grupos de pesquisa de aprendizado de máquina é no uso de simulação CFD para treinar algoritmos de aprendizado de máquina”, observa Gregory.

Existem várias áreas em que o aprendizado de máquina pode ser útil. Uma é ajudar a construir modelos simples de geração e transferência de calor que podem guiar os algoritmos usados ​​para decidir quando desligar os processadores em um SoC multicore.

“A simulação térmica pode facilmente treinar o algoritmo de aprendizado de máquina como a temperatura do dispositivo mudaria com base no uso do processador. Isso pode ser feito rapidamente em paralelo, antes mesmo de o dispositivo ser fabricado ”, diz Gregory.

Outro uso está em P&D para novos tipos de dispositivos, como aqueles usados ​​para eletrônica de potência, onde o calor excessivo pode causar fuga térmica e outros problemas de segurança. “Dados de treinamento abrangentes são essenciais para um algoritmo de aprendizado de máquina eficaz, mas geralmente não é prático ou seguro obter dados de treinamento de dispositivos físicos. Se você está otimizando um novo dispositivo ou sistema, um dispositivo físico pode não ter sido criado ”, diz Gregory.

O desempenho não é a única motivação para usar modelos baseados em IA. “Muitas vezes o que procuram é uma solução mais barata”, acrescenta Vervecken. “Há um equívoco que existe com o nosso tecnologia. Nem sempre procuramos o dissipador de calor mais eficiente. Temos um projeto em andamento onde o cliente busca a solução mais acessível. O cliente disse que o desempenho não é um problema: o projeto existente já está superprovisionado em 30%, mas eles não conseguem fazer com que esse tipo de projeto seja mais barato.”

Ainda é cedo para o aprendizado de máquina para engenharia térmica, mas técnicas de design generativas estão demonstrando o valor da simulação e da iteração rápida para criar designs que funcionam melhor, funcionam mais barato ou ambos.