Тепловая эволюция

Два года назад команда HP столкнулась с проблемой обеспечения большего потока воздуха из воздуховода, используемого для охлаждения печатающих головок будущего струйного принтера.

Без эффективного охлаждения, чтобы чернила текли при правильной температуре, принтер не может работать на полной скорости. Моделирование показало, что традиционная конструкция воздуховодов вызвала слишком сильную рециркуляцию и турбулентность для эффективной работы.

Чтобы обойти эти проблемы, HP работала с инженерами Siemens Digital Industries, которые объединили моделирование потока жидкости с техникой, которую компании САПР теперь называют генеративным проектированием, чтобы получить радикально иную структуру.

«По мере того, как дизайн формировался, он как бы бросал вызов тому, что все, включая меня, ожидали», - сказал инженер Siemens по моделированию Джулиан Гаенц после запуска принтера, который будет использовать воздуховод, указав на язычковый выступ в окончательной конструкции, который его предшественник не хватало.

В таком генеративном дизайне используются две основные тактики. Один из них - случайное создание вариантов после каждого запуска симуляции в ожидании, что один или несколько будут работать лучше. Другой - сосредоточиться на проблемных областях, таких как рециркуляция в воздуховоде принтера HP, и придумать формы, которые, вероятно, уменьшат проблему, прежде чем моделировать целую деталь, чтобы увидеть, насколько хорошо сработали изменения. HP - далеко не единственная компания, использующая моделирование на основе моделирования.

Вверху: результат генеративного дизайна - обильный язычок протока HP.

Том Грегори, менеджер по продукции поставщика инструментов для термического анализа Future Facilities, говорит, что инструмент 6SigmaET его компании использовался для определения оптимальной формы контактов, используемых в радиаторах такого типа.

«Оптимизация проводилась с использованием генетических алгоритмов в сочетании с CFD. Целью оптимизации было уменьшить падение давления на радиаторе при сохранении тепловых характеристик ».

Хотя вполне возможно создавать варианты или итерации вручную, машинное обучение кажется полезным инструментом для генеративного дизайна, потому что, в принципе, оно может быстро создавать вариации и давать неожиданные, противоречащие интуиции, но эффективные результаты. Грегори указывает на несколько исследовательских работ, в которых предлагались новые конструкции радиаторов. «Создаваемые дизайны впечатляют и визуально ошеломляют. Однако их нельзя изготовить традиционными методами ».

3D-печать не обязательна

С точки зрения исследований, радиаторы часто нуждаются в 3D-печати, как и сопло HP. Однако, поскольку это заменяло шесть деталей, изготовленных литьем под давлением, новая деталь оказалась более рентабельной после оптимизации процесса 3D-печати.

Ливен Вервекен, генеральный директор и соучредитель бельгийского стартапа в области генеративного дизайна Diabatix, говорит, что 3D-печать не является необходимой.

«У нас есть несколько производственных технологий, которые мы поддерживаем по умолчанию, такие как обработка с ЧПУ, экструзия, литье под давлением и формовка листового металла», - говорит Вервекен. Каждый имеет свое применение на разных рынках. Например, формовка листового металла оказалась полезной для изготовления больших пластин для охлаждения батарей, необходимых для электромобилей.

Diabatix построила генеративную среду на основе набора инструментов проектирования и моделирования с открытым исходным кодом, которые итеративно уточняют структуру радиатора или охлаждающего компонента на основе анализа тепловых потоков и механической структуры с помощью инструментария.

Компания готовится к запуску облачной версии инструментов в апреле.

Хотя генеративный дизайн может использовать рандомизацию для создания новых дизайнов, Diabatix не использовала этот подход. Проблема с рандомизацией заключается в том, что накладные расходы на моделирование, необходимые для оценки каждого варианта, делают метод слишком громоздким. Вместо этого Вервекен говорит, что подход, использованный стартапом, использует машинное обучение для создания алгоритмов, которые могут предлагать эффективные, но часто неожиданные формы и структуры, а не параллельные ребра, встречающиеся в большинстве обычных конструкций, с производственными ограничениями, используемыми для предотвращения их превращения. слишком непрактично в изготовлении.

«Вот почему мы можем обеспечить до 30% дополнительной охлаждающей способности», - утверждает Вервекен.

Вверху: 3D-дизайн от Diabatix

Тепловая инженерия

Еще одна потенциальная цель машинного обучения в теплотехнике - уменьшить узкое место, возникающее при моделировании, если необходимо параллельно проанализировать большое количество вариантов, прежде чем можно будет добиться дальнейшего прогресса.

Обучение модели с глубоким обучением на основе результатов обширного моделирования использовалось в таких областях, как исследования материалов и физики элементарных частиц, поскольку обученные модели могут работать быстрее, чем исходные моделирования, что может занять несколько дней даже на суперкомпьютере. Они не обеспечивают полную точность, но могут использоваться для быстрого определения параметров перед запуском окончательного детального моделирования.

Производитель графических процессоров nVidia, которая уже является ярым сторонником машинного обучения, применила ту же технику в проекте под названием SimNet, чтобы сделать то же самое для моделей вычислительной гидродинамики (CFD), используемых в теплотехнике.

Ключевая проблема заключается в том, что глубокое обучение само по себе требует интенсивных вычислений и требует недель моделирования, чтобы построить достаточно большой обучающий набор, позволяющий модели ИИ узнать, как параметры влияют на воздушный и тепловой поток в космосе.

Вервекен говорит, что диапазон проектов, в которых они участвуют, от радиаторов процессоров мобильных телефонов до охлаждающих пластин аккумуляторных батарей в грузовых автомобилях, увеличивает сложность проблемы.

«Обучить одну модель, чтобы охватить весь этот диапазон? Это сложно », - говорит Вервекен, говоря, что имеет больше смысла отдавать приоритет машинному обучению для инструментов проектирования, а не для механизма моделирования.

С учетом возможного ускорения на основе ИИ вам необходимо взвесить вклад, который может принести простая оптимизация алгоритмов вычислительной гидродинамики (CFD) напрямую.

Специализированные поставщики, такие как Future Facilities, использовали многоядерное выполнение и другие оптимизации, чтобы сократить общее время выполнения работ. В исследовании, проведенном с Rohde & Schwarz, время, затрачиваемое на запуск моделирования от импорта САПР, создания сетки до анализа, было сокращено до 15 часов с более чем 40.

Помимо радиаторов, машинное обучение на основе моделирования можно применять для проектирования основных устройств и систем.

«Одна из областей, в которой Future Facilities работает с исследовательскими группами по машинному обучению, - это использование моделирования CFD для обучения алгоритмов машинного обучения», - отмечает Грегори.

Есть ряд областей, в которых машинное обучение может оказаться полезным. Один из них - помочь построить простые модели генерации и передачи тепла, которые могут направлять алгоритмы, используемые для принятия решения о том, когда выключать процессоры на многоядерной SoC.

«Тепловое моделирование может легко обучить алгоритм машинного обучения тому, как температура устройства будет изменяться в зависимости от использования процессора. Это можно сделать быстро, параллельно, еще до того, как устройство будет изготовлено », - говорит Грегори.

Другое использование заключается в исследованиях и разработках новых типов устройств, таких как те, которые используются для силовой электроники, где чрезмерное нагревание может вызвать тепловой пробой и другие проблемы с безопасностью. «Исчерпывающие данные обучения необходимы для эффективного алгоритма машинного обучения, но часто бывает непрактично или небезопасно получать данные обучения с физических устройств. Если вы оптимизируете новое устройство или систему, физическое устройство могло не быть создано », - говорит Грегори.

Производительность — не единственная мотивация для использования моделей на основе ИИ. «Очень часто они ищут более дешевое решение», — добавляет Вервекен. «Существует заблуждение, что у нас technology. Мы не всегда ищем самый эффективный радиатор. У нас есть проект, в котором клиент ищет наиболее доступное решение. Заказчик сказал, что производительность не является проблемой: существующая конструкция уже перегружена на 30 процентов, но они не могут сделать этот тип конструкции более дешевым».

Машинное обучение для теплотехники еще только начало, но методы генеративного проектирования демонстрируют ценность моделирования и быстрых итераций в создании проектов, которые работают лучше, работают дешевле или и то, и другое.