Die architektonische Rückgrat der Modellierung und Simulation entwickelt sich schnell weiter, um der Nachfrage der Kunden nach hochgenauen Produktdesigns, die mit größerer Geschwindigkeit erstellt werden, gerecht zu werden. Die Integration von Deep Learning – einem Teilbereich des maschinellen Lernens und der künstlichen Intelligenz – ermöglicht es Simulationssoftware, autonom zu lernen, komplexe Designherausforderungen zu lösen, was zu besseren Produkten führt.
Deep Learning läutet eine neue Ära der demokratisierten Simulation ein, die fast alle Branchen stören wird. Dadurch wird es fast jedem – sogar Personen mit begrenztem Ingenieurwissen – möglich sein, Simulationen durchzuführen, indem sie eine einfache Reihe von Parametern angeben und die Software auffordern, ein Objekt zu simulieren.
Durch die umfassende Kompatibilität in der kommenden Jahr werden Simulationswerkzeuge die Art und Weise verbessern, wie Ingenieure neue Produkte innovieren, wodurch sie Produkte schneller als je zuvor liefern können, während die Kosten gesenkt werden.
Verbesserung der Produktivität und des Produktdesigns
Wenn Benutzer einen Simulationslöser ausführen, gibt es etwa 1.000 unterschiedliche Parameter, die sie auswählen müssen, von der Definition des Anfangszustands bis zu den Randbedingungen, um den Finite-Elemente-Löser einzurichten. Sobald die Benutzer ihre Auswahl getroffen haben, führen sie die Simulation aus und die Software arbeitet optimal.
Hier ist das Problem: Ingenieure müssen herausfinden, welcher der unzähligen verschiedenen Parameter dafür sorgt, dass die Software am effizientesten arbeitet. Die Simulation wird extrem zeitaufwändig sein, wenn sie nicht in der Lage sind, die Nadel im Heuhaufen zu finden.
Um die Produktivität zu verbessern, werden in die Software integrierte Deep Learning-Engines trainiert, um zu überwachen und nachzuvollziehen, wie Ingenieure eine Simulationssoftware zur Lösung eines spezifischen Problems verwenden, wie z.B. beim Design eines Flugzeugflügels. Während das Deep Learning-Programm eine Stichprobe aus eintausend Ingenieuren, die Parameter auswählen, überwacht, wird das Deep Learning-Programm ähnlich funktionieren und automatisch jeden Parameter der Simulationslöser bestimmen. Dies vereinfacht das Benutzererlebnis, indem die Arbeitslast erheblich reduziert wird.
Produktdesign-Papierformatierung
Einige Softwarelöser benötigen oft 10.000 Stunden, um zu funktionieren. Das bedeutet, dass die Benutzer mehr als ein Jahr warten müssten, während die Software die partiellen Differentialgleichungen zweiter Ordnung numerisch an jedem Gitterpunkt jedes Finite-Elemente ermittelt. Aber was wäre, wenn die Simulationssoftware intelligenter werden könnte, um schneller zu arbeiten?
Durch die Integration von Simulationssoftware mit Deep Learning-Fähigkeiten wird die Software geschult, wenn sie in leicht unterschiedlichen Szenarien eingesetzt wird. Dadurch kann die Software deduzieren und die Simulation später unter Verwendung einer informierten Annahme verarbeiten, um zu einer Lösung zu gelangen. Es gibt zwei Ansätze zur Beschleunigung der Simulation: datengestützte Deep Neural Networks (DNN) und Physik-informierte Neural Networks (PINN).
Wenn beispielsweise ein Benutzer eine Simulation der computational fluid dynamics (CFD) ausführt, um den Luftstrom über eine Kugel zu messen, könnte die Simulation auch den Luftstrom über zehn andere Formen messen, wie ein Oval, Quadrat, Dreieck, Rechteck usw. Diese datengestützten DNN-Modelle benötigen eine große Menge an Trainingsdaten, um ein Modell zu erstellen.
Letztendlich müssen die Benutzer eine unregelmäßige Struktur simulieren – wie ein Mobiltelefon – die nicht zu einer der zehn verschiedenen Geometrien gehört, für die die CFD-Software trainiert wurde. Die Software wird annehmen, dass die Form des Mobiltelefons ein Rechteck ist und eine ähnliche Ausgabe wie für ein Rechteck liefern. Die physik-informierten Modelle der PINN erfordern nicht viel Training, sondern verlassen sich auf physikalische Modelle, um die Neural Networks aufzubauen.
Am Ende wird die Software durch die Nutzung der Inferenzfähigkeiten des Deep Learning viel schneller arbeiten. Anstatt 10.000 Stunden für die Ausführung einer Simulation auf einem Supercomputer zu benötigen, kann der Solver in wenigen Minuten arbeiten.
Revolutionierung des Produktdesigns
Traditionell werden Produktdesigns mit einem Menschen im Prozess erstellt. Der Benutzer erstellt eine computerunterstützte Entwurfzeichnung (CAD), und die Software führt dann das Mesh und die Berechnung durch. Dies ist ein langwieriger Prozess.
Generatives Design hebt das Produktdesign auf die nächste Ebene. Anstatt dass ein Mensch im Prozess für die Erstellung einer CAD-Zeichnung und die Durchführung von Mesh- und Simulationen verantwortlich ist, erstellt die Deep Learning-Software schnell Millionen von unterschiedlichen Designs und nennt einige Top-Auswahlmöglichkeiten zur Berücksichtigung durch die Benutzer. Beispielsweise kann ein Benutzer beim Entwurf eines Flugzeugs schnell die vom Software angebotenen Designs visualisieren und überprüfen und dann das optimale für den Prototyping auswählen.
Optimierung zukünftiger Produktdesigns
Um die Effizienz von allem zu überwachen, von im Feld eingesetzten Anlagen bis zu Fabrikmaschinen, haben Benutzer traditionell einen digitalen Zwilling – einen virtuellen Prototyp des gesamten Systems eines eingesetzten Vermögenswerts – auf der Grundlage eines datengestützten KI-Modells verwendet. Aber ein digitaler Zwilling eines Vermögenswerts reicht nicht aus. Benutzer benötigen eine operationale Analyse aus Deep Learning, die über den digitalen Zwillingsdaten gemappt wird, um die Produktleistung und die Modellierungsgenauigkeit besser zu verstehen. Diese Daten können verwendet werden, um das Design zukünftiger Produkte, Simulationswerkzeuge und den Kundenservice zu optimieren.
Die Erstellung verbesserter Produktdesigns wird auch durch die Optimierung des Simulationswerkzeugs selbst über Business Intelligence und Deep Learning erreicht. Zum Beispiel könnte ein Kunde, der ein Werkzeug eines Simulationsanbieters über einen Zeitraum verwendet, den Anbieter bitten, eine verbesserte und personalisierte neue Version des Werkzeugs zur Lösung eines spezifischen Problems zu erstellen. Durch den Erhalt einer Sammlung von Simulationen des Kunden und dessen Eingaben in ein Deep Learning-Modell erstellt der Anbieter das optimierte Werkzeug, das es dem Kunden ermöglicht, verbesserte Produktdesigns zu entwickeln.
Die Grenzen der Ingenieurskunst erweitern
Die Integration von Deep Learning in Simulationssoftware verspricht erhebliche Vorteile für die Benutzer. Von der Spiegelung menschlicher Entscheidungsfindung bis zur Erreichung menschlicher Rationalisation und der Integration digitaler Zwillingdaten wird diese neue Softwaregeneration die Produktleistung erheblich verbessern. Die mit Deep Learning integrierte Simulationssoftware wird bald die Tore zur Simulationsgestaltung für fast jedermann öffnen und den Weg eines Produkts auf den Markt beschleunigen und vereinfachen.
